Regressie op ruisige data
In een eerdere les heb je een lijn gepast op data die een perfecte lijn was (y = 2x) en de fout kwam uit op nul. Dat voelde goed, maar het was een soort leugen: echte data is nooit een schone lijn. Sensoren trillen, mensen gedragen zich onvoorspelbaar, metingen worden afgerond. De eerlijke versie van regressie is het passen van een lijn door een cloud van punten die slechts ongeveer een trend volgt, en dan rapporteren hoe ver je nog steeds van de waarheid afzit. Deze les gaat over het lezen van die foutnummers zonder te schrikken.
Realistische data maken
We beginnen bij een ware relatie, y = 3x + 7, en voegen dan gaussian noise toe -> kleine willekeurige schommelingen uit een klokvormige curve -> dus geen punt zit precies op de lijn:
rng = np.random.RandomState(42)
x = np.linspace(0, 10, 200)
noise = rng.normal(0, 2.0, size=x.shape) # mean 0, spread 2.0
y = 3 * x + 7 + noise
X = x.reshape(-1, 1) # sklearn wants 2-D featuresDe vaste seed betekent dat iedereen dezelfde ruis trekt, dus de getallen hieronder zijn reproduceerbaar en controleerbaar. Het model ziet nooit de ware helling van 3 of de intercept van 7; zijn taak is om recover ze uit de ruisige punten te halen.
Pas, voorspel en meet eerlijk
Zelfde ritueel als altijd, maar we beoordelen op een aparte testset:
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=0)
model = LinearRegression().fit(X_train, y_train)
preds = model.predict(X_test)
mae = mean_absolute_error(y_test, preds)
r2 = r2_score(y_test, preds)Wat de getallen betekenen
- De herstelde regel.
model.coef_[0]komt uit bij 3 enmodel.intercept_bij 7. Het model haalde de echte trend uit de ruis, maar niet perfect: het komt dichtbij, niet exact. - MAE is niet langer nul. Hier is het ongeveer 1.8, wat betekent dat een typische voorspelling de ware waarde met ongeveer 1.8 mist in de eenheden van
y. Dat is geen bug. Met ruis van spreiding 2.0 ingebakken is enige fout onvermijdelijk -> een positieve MAE is de eerlijke kosten van echte data. Vergelijk dit met de perfecte lijn eerder, waar MAE door constructie ~0 was. - R squared zit onder 1.
r2_scoremeet het deel van de variatie dat het model verklaart: 1.0 is perfect, 0 is niet beter dan het raden van het gemiddelde. Hier is het rond 0.95 -> hoog, omdat er een sterk lineair signaal is, maar strikt onder 1.0, omdat ruis nooit weggeverklaard kan worden. Een gerapporteerde R squared van precies 1.0 op echte data is een alarmsignaal, meestal een teken dat je per ongeluk hebt getest op de trainingsdata. - Residuals vertellen je of de miss eerlijk is. Een residual is
actual - predictedvoor één punt. Hun mean moet dicht bij 0 liggen: dat betekent dat het model niet systematisch te hoog of te laag schiet, maar gewoon verspreid boven en onder de lijn zoals symmetrische ruis zou moeten. Een residual mean ver van 0 zou een bevooroordeeld model betekenen.
Het resultaat hier is een set eerlijke getallen, geen magische nul. Druk Run in om de lijn aan te passen en print de herwonnen slope, de MAE, de R squared en de residual mean.
Bouw noisy data uit y = 3x + 7 plus gaussian noise (rng = np.random.RandomState(42), x = np.linspace(0, 10, 200), noise = rng.normal(0, 2.0, size=x.shape), X = x.reshape(-1, 1)). Splits met train_test_split(X, y, test_size=0.2, random_state=0), fit een LinearRegression als model, voorspel op de test set, en sla dan mae (mean absolute error), r2 (r2_score), en resid_mean (the mean of y_test - preds) op als floats.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.