https://github.com/jsnevt/regressao_linear
Regressão linear simples - Qual a velocidade se levou x distância para parar ?
https://github.com/jsnevt/regressao_linear
linear-regression matplotlib numpy pandas python
Last synced: 21 days ago
JSON representation
Regressão linear simples - Qual a velocidade se levou x distância para parar ?
- Host: GitHub
- URL: https://github.com/jsnevt/regressao_linear
- Owner: JsnEvt
- Created: 2023-02-24T12:55:10.000Z (almost 2 years ago)
- Default Branch: main
- Last Pushed: 2024-05-25T21:29:54.000Z (9 months ago)
- Last Synced: 2024-12-04T23:12:14.214Z (3 months ago)
- Topics: linear-regression, matplotlib, numpy, pandas, python
- Language: Jupyter Notebook
- Homepage:
- Size: 454 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Regressao_Linear
## Regressão linear simples - Qual a velocidade se levou x distância para parar ?
### Este trabalho visa descrever os critérios de regressão para estes cálculos.
### Aqui, faço uma descrição do conceito de Regressão linear.
#### Entre duas ou mais variáveis, podemos desejar ver a relação que existe entre elas e medir sua força. Um exemplo de regressão linear seria medir um plano de saúde. Quanto maior a idade, mais caro ele é. Outro exemplo em altitude, quanto mais alto, mais frio.
#### À partir daí, poderíamos ter um gráfico de dispersão e prever à partir de novos valores, sendo que esses valores não poderiam fugir da ‘regularidade’ em que ocorrem, visto que prejudicariam o modelo por não corresponder a uma linearidade, cujo nome, a função recebe.
#### Uma função linear forte pode ser positiva (de baixo para cima) ou negativa (de cima para baixo) num gráfico linear.
#### Tomando o exemplo do plano de saúde, podemos considerar a idade e o custo como valores que refletem a projeção do gráfico. Em um plano cartesiano, colocamos a Idade no exio X e o custo no eixo Y. Se o custo do plano é menor para pessoas novas e cresce à medida que a idade aumenta, teremos uma projeção linear crescente. O mesmo poderia ocorrer em outra situação: a temperatura sobe, a venda de casacos, caem. Indicando que a projeção é fortemente decrescente. Isso também é uma regressão válida.
#### O coeficiente de determinação visa explicar o quão a variável dependente (a que desejamos prever) pode ser explicadas pelos valores contidos nas variáveis explanatórias (os valores que temos como base para gerar as previsões).
#### Um bom modelo de regressão linear não deve percorrer fielmente o a trilha tecida pelos cruzamentos do eixo X e Y em um plano cartesiano. Isso poderia levar a boas respostas em modelos de treino, porém incorreria em sérios erros em modelo de teste. O ideal é que o gráfico tenha um corte transversal na altura média em que os valores são lançados. Pertos ou afastados demais comprometeriam o modelo a ser desenvolvido.
#### Na construção do modelo é possível encontrarmos registros (pontos) num plano cartesiano que fogem bastante da curva. Esses pontos não devem ter forte interferências sobre os registros predominantes sob pena de comprometer a correlação entre eles. A esses elementos damos o nome de outliers ou extrapolação.
#### Outliers fogem completamente do padrão.
#### Extrapolação foge um pouco da tendência da projeção gráfica.
#### Os cálculos para regressão linear compreendem os seguintes elementos:
#### Correlação -> Inclinação -> Interceptação -> Previsão
#### [Arquivo Excel -XLSX] (Cálculos.xlsx)
Mostro como os cálculos são realizados. Observem as fontes dos valores em cada célula que contém as fórmulas.