A linearis regresszionak ML-ben van valami gyakorlati haszna?

Mi az hogy ML-ben van-e gyakorlati haszna? A lineáris regresszió a Machine Learning egyik módszere, amely változók közötti lineáris összefüggések modellezésére szolgál. Ezt az algoritmust gyakran használják prediktív analízisre, és az a célja, hogy egy célfüggvény (output) értékét jósolja meg bemeneti jellemzők alapján.

Jópár területen van gyakorlati haszna például:

1. Gazdaságtudomány - gazdasági trendek elemzése.

2. Biokémia - molekulák interakciójának tanulmányozása.

3. Epidemiológia - betegségmegjelenések összefüggéseinek vizsgálata.

4. Meteorológia - időjárás előrejelzés.

5. Pszichológia - viselkedési minták és változók közötti kapcsolatok kutatása.

6. Gépészmérnökök - anyagok tulajdonságainak és viselkedésének modellezése.

7. Közlekedéstudomány - közlekedési csúcsidők és úthasználati minták elemzése.

8. Energiaipar - energiafogyasztási trendek előrejelzése.

9. Ingatlanpiac - ingatlanárak és piaci tényezők közötti kapcsolatok vizsgálata.

10. Sportstatisztika - játékosok teljesítményének és eredményeinek modellezése.

11. Pénzügyek - befektetési hozamok és kockázati tényezők közötti kapcsolatok kutatása.

12. Egyetemi kutatások - különböző tudományos változók közötti összefüggések vizsgálata.

13. Marketing - hirdetési kiadások és eladási eredmények közötti kapcsolat modellezése.

14. Mezőgazdaság - termelési minták és környezeti változók közötti összefüggések tanulmányozása.

15. Okologia - élőlények populációjának változásai és környezeti tényezők kapcsolatának vizsgálata.

és még rengeteg példát lehetne sorolni, de ha ennyivel sem vagy tisztában hogy a lineáris regresszió az ML egyik legalapvetőbb módszere amit különféle tudományágak széleskörben használnak így teljesen felesleges

Azért van 2 pipám mert a sok bootcampot és OKJ-t végzett aluliskolázott fel sem fogja a hatalmas tudományos erejű megállításaimat mert egyszerűen olyan kimagasló tehetség vagyok a szakmámban hogy egyszerűen nem fogják fel a korlátozott agyi kapacitásukkal hogy miről magyarázok.

"Úgy értem hogy egy vonalat rajzol két halmaz közé, ami vagy jól szétválasztja a két halmazt vagy nem."

Ezt az ideböfögést pedig illene specifikálni hogy mégis mire gondolsz, de látszólag azt sem érted hogy mit nem értesz. Mi az hogy egy vonalat rajzolunk 2 halmaz közé, mégis hova jársz óvodába a középső csoportba és most tanulod az alakzatok rajzolását? A gépi tanulásban egzakt kifejezések vannak nem mellébeszélés

Nem írt #1 kedves választ, de attól még amiket felhozott példa azok tényleg jók.

A lineáris regresszió a legalapabb ML, ami azért elég sok mindenre használható (lást #1 példáit), csak megfelelő mennyiségű és minőségű adatokkal kell tanítani.

Meg amire még használják, hogy ezzel vezetik be sok diáknak az ML-t.

A lineáris (vagy bármilyen) regresszió nem lineáris diszkriminancia elemzés.

("Úgy értem hogy egy vonalat rajzol két halmaz közé, ami vagy jól szétválasztja a két halmazt vagy nem.")

A Regresszió valamilyen optimum függvény minimalizálásával (például a távolság négyzetek összegének minimalizálásával) illeszt becslő függvényt a ponthalmazra.

A diszkriminancia elemzés pedig azt a függvényt (például lineáris függvényt) keresi, amely legjobban szeparál egymástól két ponthalmazt.

Feltételezem, az ML a mostanában felkapott Machine Learning rövidítése, és nem például a maximum likelihood becslésé.

A gépi tanulási eljárások (machine learning) algoritmusok listájában ugyan szerepel a lineáris regresszió, ez azonban olyan módszer, amelyet már Francis Galton (1822-1911) a XIX. század utolsó negyedében megfogalmazott, azzal a különbséggel, hogy nem szorítkozott a lineáris függvény illesztésére, nem tételezett föl normális eloszlást az egyes dimenziókban, és nem is csak egy dimenziós adatokkal foglalkozott.