Post by Mohammad Reza Bahrani

رگرسیون چندجمله‌ای پشت صحنه چه اتفاقی می‌افتد؟ 📊 این پست برای متخصصان نیست... در رگرسیون خطی، مدل سعی می‌کند رابطه بین داده‌ها را با یک خط مستقیم توضیح دهد. https://lnkd.in/efeKk2eC اما در دنیای واقعی، همه چیز همیشه خطی نیست. مثلاً ممکن است با افزایش متراژ خانه، قیمت هم بیشتر شود؛ اما نه همیشه با یک شیب ثابت. https://lnkd.in/ejHiH3Ah گاهی رابطه بین ورودی و خروجی حالت خمیده دارد. اینجاست که Polynomial Regression وارد می‌شود. 🔹 ① داده‌ها خطی نیستند مدل متوجه می‌شود که یک خط مستقیم برای توضیح رابطه کافی نیست. 🔹 ② ویژگی‌های جدید ساخته می‌شود به‌جای استفاده از فقط X، توان‌های آن هم وارد مدل می‌شوند: X X² X³ 🔹 ③ مدل یک منحنی می‌سازد فرمول مدل می‌تواند این شکلی باشد: ŷ = β₀ + β₁X + β₂X² + β₃X³ یعنی مدل برای هر بخش، یک وزن جداگانه یاد می‌گیرد. 🔹 ④ پیش‌بینی انجام می‌شود مدل با وزن‌های اولیه شروع می‌کند و برای هر داده یک خروجی حدس می‌زند. 🔹 ⑤ خطا محاسبه می‌شود مقدار واقعی با مقدار پیش‌بینی‌شده مقایسه می‌شود. اختلاف این دو، خطای مدل است. 🔹 ⑥ وزن‌ها اصلاح می‌شوند مدل وزن‌ها را تغییر می‌دهد تا خطا کمتر شود. این فرآیند بارها تکرار می‌شود. 🔹 ⑦ مدل نهایی ساخته می‌شود در پایان، مدل به‌جای یک خط ساده، یک منحنی مناسب برای داده‌ها پیدا می‌کند. 💡 نکته مهم: رگرسیون چندجمله‌ای زمانی کاربرد دارد که رابطه بین داده‌ها خطی نیست. اما اگر درجه مدل بیش از حد بالا باشد، ممکن است مدل فقط داده‌های قبلی را حفظ کند و روی داده‌های جدید خوب عمل نکند. به این مشکل Overfitting می‌گویند. NEVISA Arioobarzan Team Mohammad Zare Danial Soleimany Mohammad Hossein Hariri Faezeh Hesam Hanieh Khalesi Maryam Mazarei Masoud Dadgar https://nevisa.co t.me/nevisaco #رگرسیون #رگرسیون_چندجمله‌ای #PolynomialRegression #MachineLearning #یادگیری_ماشین #هوش_مصنوعی #دیتا_ساینس #DataScience #مدل_سازی_داده #تحلیل_داده #آموزش_هوش_مصنوعی #هوش_مصنوعی_به_زبان_ساده #لینکدین_فارسی #آموزش_داده #Overfitting