Einführung in die Regression

Lerne, wie du die am besten passende Gerade durch Datenpunkte findest und mit linearer Regression Vorhersagen machst.

Fortgeschritten25 MinLektion

Definition

Lineare Regression ist eine statistische Methode, um die Gerade zu finden, die am besten zu einer Menge von Datenpunkten passt. Diese Gerade wird Ausgleichsgerade oder Regressionsgerade genannt.
Die Gleichung einer Regressionsgeraden ist:
wobei:
  • die Steigung ist (wie steil die Gerade ist)
  • der y-Achsenabschnitt ist (wo die Gerade die y-Achse schneidet)
  • die Eingabevariable ist (unabhängige Variable)
  • der vorhergesagte Ausgabewert ist (abhängige Variable)
Das Ziel der Regression ist es, den Gesamtabstand zwischen den Datenpunkten und der Geraden zu minimieren, sodass wir Vorhersagen für neue Werte von machen können.

Probier es gleich aus

Was stellt das in der Gleichung dar?

Lösungsbeispiele

Eine Studie zeigt, dass für jede zusätzliche Lernstunde die Testergebnisse um 5 Punkte steigen. Wenn ein Schüler, der 0 Stunden lernt, 50 Punkte erzielt, wie lautet die Regressionsgleichung?

1

Steigung identifizieren

Punktzahl steigt um 5 Punkte pro Lernstunde

2

y-Achsenabschnitt identifizieren

Wenn Stunden, ist die Punktzahl 50

3

Die Gleichung schreiben

Setze und in ein

Häufige Fehler

Verwechslung der Subtraktionsreihenfolge in der Steigungsformel

Warum es falsch ist: Die Verwendung von anstelle von ergibt den Kehrwert der korrekten Steigung.

Richtig: Merke: Steigung ist 'Höhe durch Breite' - die Änderung in (vertikal) geteilt durch die Änderung in (horizontal).

Zu weit über die Daten hinaus extrapolieren

Warum es falsch ist: Die Regressionsgerade ist nur innerhalb des Bereichs deiner Daten zuverlässig. Vorhersagen weit außerhalb dieses Bereichs können zu unrealistischen Ergebnissen führen.

Richtig: Sei vorsichtig bei Vorhersagen für -Werte, die viel größer oder kleiner sind als deine ursprünglichen Datenpunkte.

Annahme, dass Korrelation Kausalität bedeutet

Warum es falsch ist: Nur weil zwei Variablen zusammenhängen (korrelieren), bedeutet das nicht, dass eine die andere verursacht.

Richtig: Regression zeigt Beziehungen, aber zusätzliche Analyse ist erforderlich, um Kausalität festzustellen.

Interaktive Visualisierung

Lineare Funktion erkunden

y = x
Steigung (m)1
Y-Achsenabschnitt (b)0
b
Lauf
Anstieg
xy
-2-2
-1-1
00
11
22

Interaktiver Sandkasten

Interaktiver Grapher

Probiere diese Beispiele:

y = 2x + 1

m=2, b=1

Ausdrucksrechner

Probiere diese:

Verlauf

Noch keine Berechnungen

Übungsaufgaben

16 Aufgaben
Aufgabe 1 von 16
Einfach

Was stellt das in der Gleichung dar?

Warum es wichtig ist

Lineare Regression ist eines der am häufigsten verwendeten Werkzeuge in der Datenwissenschaft und Statistik:
  • Wirtschaft: Vorhersage von Verkäufen basierend auf Werbeausgaben
  • Medizin: Schätzung der Medikamentendosis basierend auf dem Patientengewicht
  • Volkswirtschaft: Prognose des BIP-Wachstums aus verschiedenen Indikatoren
  • Sport: Projektion der Athletenleistung aus Trainingsmetriken
  • Wissenschaft: Modellierung von Beziehungen zwischen Variablen in Experimenten
Das Verständnis von Regression hilft dir, datengestützte Entscheidungen und Vorhersagen zu treffen, die auf echten Beweisen basieren statt auf Vermutungen.

Anwendungen im echten Leben

Hauspreise vorhersagen

Immobilienanalysten verwenden Regression, um Hauswerte basierend auf Faktoren wie Quadratmetern, Zimmeranzahl und Lage zu schätzen.

Beispiel:

Wenn Häuser ungefähr 1500€ pro Quadratmeter mit einem Basispreis von 50000€ verkauft werden, könnte die Gleichung lauten, wobei die Quadratmeter sind.

1Probiere es selbst

Ein Immobilienmodell zeigt: , wobei die Quadratmeter und der Preis in Euro ist.

Was ist der vorhergesagte Preis für ein 150 Quadratmeter großes Haus?

Schritt 1: Schreibe den mathematischen Ausdruck

Setze in die Gleichung ein:

Kraftstoffeffizienz-Analyse

Automobilingenieure verwenden Regression, um zu verstehen, wie das Fahrzeuggewicht den Kraftstoffverbrauch beeinflusst.

Beispiel:

Daten könnten zeigen, dass die Kraftstoffeffizienz um 0,005 km/L für jedes Kilogramm zusätzliches Gewicht sinkt.

2Probiere es selbst

Ein Automodell zeigt: , wobei das Gewicht in kg und die Kraftstoffeffizienz in km/L ist.

Welche Effizienz wird für ein Auto mit 1200 kg vorhergesagt?

Schritt 1: Schreibe den mathematischen Ausdruck

Berechne:

Wichtige Erkenntnisse

  • 1Lineare Regression findet die Gerade, die am besten zu einer Menge von Datenpunkten passt
  • 2Die Regressionsgleichung ist , wobei die Steigung und der y-Achsenabschnitt ist
  • 3Die Steigung wird berechnet als (Höhe durch Breite)
  • 4Sobald du die Gleichung hast, kannst du Vorhersagen machen, indem du Werte für einsetzt
  • 5Regression zeigt Korrelation, aber Korrelation bedeutet nicht Kausalität

Häufig gestellte Fragen

Echte Daten liegen selten perfekt auf einer Geraden. Die Regressionsgerade minimiert den gesamten quadratischen Abstand aller Punkte zur Geraden. Einige Punkte werden über der Geraden liegen, einige darunter - das ist normal!
Echte Daten liegen selten perfekt auf einer Geraden. Die Regressionsgerade minimiert den gesamten quadratischen Abstand aller Punkte zur Geraden. Einige Punkte werden über der Geraden liegen, einige darunter - das ist normal!
Der -Wert (Bestimmtheitsmaß) misst, wie gut die Gerade passt. Er reicht von 0 bis 1 - höhere Werte bedeuten bessere Anpassung. Du wirst mehr darüber in der Lektion über Korrelation lernen.
Lineare Regression funktioniert nur für geradlinige Beziehungen. Für gekrümmte Beziehungen benötigst du polynomiale Regression oder andere fortgeschrittene Methoden.

Glossar

Lineare Regression
Eine statistische Methode, um die am besten passende Gerade durch Datenpunkte zu finden
Ausgleichsgerade
Die Gerade, die den Abstand zwischen sich selbst und allen Datenpunkten minimiert
Steigung
Die Steilheit der Geraden, die die Änderungsrate darstellt ( in )
Y-Achsenabschnitt
Der Punkt, an dem die Gerade die y-Achse schneidet ( in )
Vorhersage
Verwendung der Regressionsgleichung zur Schätzung von für einen gegebenen Wert von
Unabhängige Variable
Die Eingabevariable (), die wir für Vorhersagen verwenden
Abhängige Variable
Die Ausgabevariable (), die wir vorhersagen wollen

Mehr zu diesem Thema