> ML_ALGORITHM // LINEAR-REGRESSION_v1.0
Sıradan En Küçük Kareler Doğrusal Regresyonu
Bağımsız değişkenlerin doğrusal kombinasyonları yoluyla sürekli hedef değişkenleri modellemek için temel parametrik yöntem.
Linear & Generalized Modelsclassical-supervisedhigh-intrinsicsmall (<1k)
Tüm Algoritmalara DönHesaplama Karmaşıklığı
Eğitim (Training):O(n * p^2 + p^3) for exact solution
Çıkarım (Inference):O(p) dot product
Donanım Karakteristiği
CPU Uygunluğu:Evet
GPU Zorunluluğu:Hayır
Bellek Ayak İzi:low
Açıklanabilirlik ve Veri
Açıklanabilirlik Düzeyi:high-intrinsic
Eğitim Verisi İhtiyacı:small (<1k)
Açıklanabilirlik Değerlendirmesi
Doğrudan okunabilir regresyon katsayıları birim değişim başına marjinal etkiyi temsil eder.
Uygun Görevler ve Desteklenen Modaliteler
Uygun Görevler:
regressionforecasting
Desteklenen Modaliteler:
tabulartime-series
Uygulayıcı Kütüphaneler
Temel Literatür & Yayınlar
Nouvelles méthodes pour la détermination des orbites des comètes (Method of Least Squares)Adrien-Marie Legendre (1805) · F. Didot, Paris
Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem AmbientiumCarl Friedrich Gauss (1809) · Perthes et Besser, Hamburg
Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler
- Eğitim özellik aralıklarının ötesine tahmin yürütmek (ekstrapolasyon)
- Kaldıraç noktalarını ve aykırı değerleri göz ardı etmek