×

L'obbiettivo della regressione è quello di determinare un legame funzionale tra le variabili indipendenti e la variabile dipendente. Ovvero le variabili indipendenti definiscono il dominio della funzione, mentre la variabile dipendente rappresenta il codominio della funzione.

Indice

  1. Algoritmi Supervised e Unsupervised
  2. La Regressione Lineare

1. Algoritmi Supervised e Unsupervised

In Machine Learning esistono due grandi classi di algoritmi che vengono definiti come: Supervised e Unsupervised.

Utilizzano entrambe un insieme di campioni, ovvero di dati rappresentativi del problema che stiamo affrontando, ma con gli algoritmi Supervised abbiamo la caratteristica di sapere per ogni insieme di campioni la risposta esatta rispetto al campione di dati che abbiamo.

Quando nel nostro insieme di campioni i valori della risposta corretta sono valori reali, allora in quel caso di parla di regressione, altrimenti con valori discreti si parla di classificazione.

2. La Regressione Lineare

La regressione lineare è un modo per modellare la relazione tra due variabili. Potreste anche riconoscere l'equazione come la formula della pendenza. L'equazione ha la forma $Y= a + bX$, dove $Y$ è la variabile dipendente (cioè la variabile che va sull'asse $Y$), $X$ è la variabile indipendente (cioè è tracciata sull'asse $X$), $b$ è la pendenza della linea e $a$ è l'intercetta $y$.

Cerca

Vuoi scrivere per noi? Guadagna scrivendo articoli per il nostro blog!