Post by Mohammad Reza Bahrani

رگرسیون خطی ساده (Simple Linear Regression) پشت صحنه چه اتفاقی می‌افتد؟ 📈 این پست برای متخصصان نیست... وقتی یک مدل Simple Linear Regression را آموزش می‌دهیم، مجموعه‌ای از محاسبات ریاضی انجام می‌شود تا بهترین رابطه بین داده‌ها پیدا شود. 🔹 ① دریافت داده‌ها مدل داده‌های ورودی (X) و خروجی (Y) را دریافت می‌کند. 🔹 ② تحلیل ارتباط بین متغیرها بررسی می‌شود که آیا بین X و Y رابطه خطی وجود دارد یا خیر. 🔹 ③ مقداردهی اولیه پارامترها شیب خط (Weight یا β₁) و عرض از مبدأ (Bias یا β₀) با مقادیر اولیه (معمولاً صفر یا تصادفی) شروع می‌شوند. 🔹 ④ پیش‌بینی اولیه برای هر نمونه، مقدار خروجی با استفاده از رابطه زیر محاسبه می‌شود: ŷ = β₀ + β₁X 🔹 ⑤ محاسبه خطا (Error) اختلاف بین مقدار واقعی (Y) و مقدار پیش‌بینی‌شده (ŷ) اندازه‌گیری می‌شود. 🔹 ⑥ محاسبه تابع هزینه (Cost Function) تمام خطاها با استفاده از معیارهایی مانند Mean Squared Error (MSE) به یک عدد تبدیل می‌شوند تا کیفیت مدل مشخص شود. 🔹 ⑦ به‌روزرسانی پارامترها با استفاده از روش‌هایی مانند Gradient Descent، شیب و عرض از مبدأ اصلاح می‌شوند تا مقدار خطا کاهش پیدا کند. 🔹 ⑧ تکرار فرآیند مراحل پیش‌بینی، محاسبه خطا و اصلاح پارامترها بارها تکرار می‌شوند تا مدل به بهترین خط ممکن برسد. 🔹 ⑨ مدل نهایی در پایان، خطی به دست می‌آید که کمترین مجموع خطا را نسبت به داده‌های آموزشی دارد و می‌تواند برای پیش‌بینی داده‌های جدید استفاده شود. 💡 نکته مهم: رگرسیون خطی در ظاهر ساده است، اما پایه بسیاری از الگوریتم‌های یادگیری ماشین محسوب می‌شود. مفاهیمی مانند تابع هزینه، گرادیان، بهینه‌سازی و آموزش مدل که در شبکه‌های عصبی و مدل‌های پیشرفته‌تر استفاده می‌شوند، همگی از همین اصول آغاز می‌شوند. NEVISA Arioobarzan Team Mohammad Zare Pirooz Shamsinejad Masoud Dadgar Danial Soleimany Mohammad Hossein Hariri Maryam Mazarei Hanieh Khalesi Faezeh Hesam Marjan Veisi Mohammad Sabouri #MachineLearning #LinearRegression #DataScience #ArtificialIntelligence #AI #Regression #Statistics #Python #هوش_مصنوعی #یادگیری_ماشین #دیتاساینس #رگرسیون_خطی #آمار #برنامه_نویسی