La regressione Γ¨ la previsione di un valore numerico target a partire da una serie di variabili di input (features). I modelli di regressione cercano di stabilire una relazione matematica tra le variabili indipendenti e la variabile dipendente in modo da fare previsioni o stime.
Ci sono diversi tipi di modelli di regressione, tra cui i principali sono:
- Regressione Lineare: La regressione lineare Γ¨ uno dei modelli di regressione piΓΉ semplici ed Γ¨ utilizzata quando si presume che ci sia una relazione lineare tra le variabili indipendenti e la variabile dipendente. Il suo obiettivo Γ¨ trovare la retta di miglior adattamento ai dati. Viene utilizzata per problemi di previsione o analisi di correlazione, ad esempio nel caso di previsioni dei prezzi delle case in base a variabili come dimensioni, posizione, ecc.
- Regressione logistica: La regressione logistica Γ¨ utilizzata quando la variabile dipendente Γ¨ binaria o categorica (due classi) e si desidera prevedere la probabilitΓ di un'osservazione di appartenere a una delle due classi. Γ ampiamente utilizzata in problemi di classificazione binaria, come la predizione della probabilitΓ di successo o insuccesso in base a variabili indipendenti.
- Regressione polinomiale: In questo tipo di regressione, si utilizzano equazioni polinomiali invece di una retta per adattare i dati. Γ utile quando i dati seguono una relazione non lineare. Ad esempio, si potrebbe utilizzare una regressione polinomiale per adattare una curva a un set di dati che segue una forma parabolica.
- Regressione non lineare: Questa categoria comprende una varietΓ di modelli che possono catturare relazioni non lineari tra variabili. Questi modelli possono includere funzioni non lineari, come sigmoidi o esponenziali, per adattare i dati in modo piΓΉ flessibile.