Regresyon Analizi
Regresyon analizi, bir veya daha fazla girdi değişkeni değiştikçe bir sonuç değişkeninin nasıl değiştiğini tahmin eden, her bir ilişkiyi sayısallaştıran katsayılar ve yeni girdiler için sonucu tahmin edebilen bir model üreten istatistiksel bir yöntemdir.
Regresyon analizi nedir?
Bir regresyon, verilere bir denklem uydurur; böylece diğerleri sabit tutulduğunda her bir girdideki birim değişim başına sonucun ne kadar hareket ettiğini söyleyebilirsiniz. En basit biçimi olan y = a + b·x'te, eğim b, x'in y üzerindeki etkisidir ve a da başlangıç değeridir.
Başlıca varyantlar, sonucun türüne göre seçilir:
Doğrusal regresyon: gelir veya teslimat süresi gibi sürekli sonuçlar.
Lojistik regresyon: kaybedildi veya dönüştü gibi evet/hayır sonuçları; bir olasılık tahmin eder.
Poisson regresyonu: haftalık destek talebi sayısı gibi sayımlar.
Düzenlileştirilmiş regresyon (ridge, lasso): katsayıları küçültmenin aşırı öğrenmeyi azalttığı, çok sayıda girdinin olduğu durumlar.
İstatistiksel analiz ile makine öğrenmesi arasında yer alır: aynı model bir ilişkiyi açıklamak veya tahmin yapmak için kullanılabilir.
Regresyon analizi nasıl çalışır?
Varsayılan yöntem olan en küçük kareler (OLS), tahmin edilen ve gerçekleşen değerler arasındaki farkların karelerinin toplamını en aza indiren katsayıları seçer. Standart bir iş akışı:
Sonucu ve aday etkenleri tanımlayın ve her birinin yeterli varyasyona sahip olup olmadığını kontrol edin.
Doğrusal olmayan şekilleri ve aykırı değerleri fark etmek için verileri grafiğe dökün.
Modeli Python statsmodels veya scikit-learn, R'ın lm() fonksiyonu ya da model_type değeri linear_reg veya logistic_reg olarak ayarlanmış BigQuery ML gibi bir araçta kurun.
Çıktıyı okuyun: katsayılar, bunların güven aralıkları ve p-değerleri ile açıklanan varyansın payı olan R².
Tahminlere güvenmeden önce artıkları örüntüler açısından kontrol edin ve ayrılmış veriler üzerinde test edin.
Faydalı bir püf noktası: hem fiyatın hem de miktarın logaritmasının alındığı log-log modelde, fiyat katsayısı doğrudan fiyat esnekliği olarak okunur.
Regresyon analizi pratikte nasıl görünür?
Regresyon, bir sayıyı neyin yönlendirdiğine dair belirsiz bir önseziyi, boyutu belirlenmiş ve test edilebilir bir tahmine dönüştürür. Hava durumu, yerel promosyonlar ve personel sayısının mağaza başına günlük satışları ne kadar etkilediğini soran 50 şubeli bir kahve zincirini ele alalım. Analistin Snowflake'te, hava durumu geçmişi ve promosyon takvimiyle birleştirilmiş iki yıllık günlük mağaza verisi olduğunu varsayalım.
Analist, her mağazanın kendi başlangıç değerini koruması için mağaza sabit etkileriyle birlikte, günlük satışları sıcaklık, yağış, promosyon işareti, haftanın günü ve personel saatleri üzerine regresyonla açıklayan doğrusal bir model kurar. Modelin, hava durumu kontrol edildikten sonra bir promosyon gününün mağaza başına yaklaşık $180 eklediğini, yağmurlu bir günün ise yaklaşık $90 eksilttiğini tahmin ettiğini varsayalım; operasyon ekibi de kurulan modeli gelecek haftanın personel planlamasını yapmak için kullanır.
Çıktı, kimse vardiya çizelgelerini değiştirmeden önce ayrılmış bir aya karşı kontrol edilir ve katsayılar her çeyrekte güncellenir.
Regresyon analizinin tuzakları nelerdir?
En büyük risk, veriler hiçbir zaman nedenselliği göstermek için tasarlanmamışken bir regresyon katsayısını nedensel bir etki olarak yorumlamaktır.
Dışarıda bırakılan değişkenler: modele dahil edilen bir etkenle korelasyonlu bir etkeni dışarıda bırakmak, onun katsayısını yanlı hâle getirir.
Çoklu doğrusallık: reklam harcaması ve gösterimler gibi yüksek korelasyonlu girdiler katsayıları kararsız hâle getirir; yaklaşık 5 ila 10'un üzerindeki bir varyans şişirme faktörü (VIF) yaygın bir uyarı işaretidir.
Dışdeğerleme (extrapolation): eğitim verilerinin aralığının çok dışında tahmin yapmak.
Aşırı öğrenme (overfitting): çok sayıda girdi ve az sayıda satır; düzenlileştirme ve ayrılmış veriyle test kullanın.
Amaç, kampanya işe yaradı mı gibi nedensel bir yanıtsa, rastgele atanmış bir test veya tasarlanmış bir deney, gözlemsel veriler üzerindeki her türlü regresyondan daha iyidir.
Regresyon analizinin korelasyondan ve makine öğrenmesinden farkı nedir?
Korelasyon, iki değişkenin birlikte nasıl hareket ettiğini ölçer; regresyon ise diğer girdileri kontrol ederek birinin diğerinin birim değişimi başına ne kadar değiştiğini tahmin eder. 0,6'lık bir korelasyon değişkenlerin ilişkili olduğunu söyler; bir regresyon katsayısı ise sonucun kendi biriminde ne kadar ilişkili olduğunu söyler.
Gradient boosting gibi ağaç tabanlı makine öğrenmesi modelleriyle karşılaştırıldığında regresyon daha az esnektir ancak açıklanması çok daha kolaydır; bu da fiyatlandırma, kredi ve tıbbi kararlar için önemlidir. Birçok tahmine dayalı analitik projesi bir regresyon referans modeliyle başlar ve ancak karmaşık modeller onu açıkça geride bırakırsa onlara geçer; zamana göre sıralanmış veriler için zaman serisi analizi maddesine bakın.
Regresyon ve korelasyon
Regresyon analizi | Korelasyon | |
|---|---|---|
Çıktı | Katsayılar, tahminler, aralıklar | -1 ile 1 arasında tek bir sayı |
Değişkenler | Bir sonuç, çok sayıda girdi | Aynı anda iki değişken |
Yön | Girdileri sonucun etkenleri olarak ele alır | Simetrik; yön yok |
Diğerlerini kontrol eder mi | Evet, diğer girdileri sabit tutar | Hayır |
Tipik kullanım | Etkenleri boyutlandırma, tahminleme, esneklik | İlişkiler için hızlı tarama |
VIZIO AI regresyon analizini nasıl kullanıyor?
VIZIO AI'ın yayımlanmış vaka çalışmaları regresyonu açıkça adlandırmak yerine tahmine dayalı ve esneklik çalışmalarını anlatır; dolayısıyla örtüşme, bu projelerin yanıtladığı modelleme sorularındadır. ABD'deki bir odyoloji klinikleri ağı için DX Studio, yapay zekâ destekli bir hasta elde tutma paneli amacıyla geçmiş kullanım ve iade örüntüleri üzerinde Python ve Azure ML ile tahmine dayalı modeller geliştirdi ve pilot kliniklerde işitme cihazı iade oranlarını %12–15 azalttı.
ABD'li bir moda e-ticaret markası için gerçek zamanlı moda analitiği paneli, fiyat esnekliğini SKU ve reklam harcaması performansıyla birlikte görselleştirdi ve operasyonel karar alma sürecini %32 hızlandırdı. Nereden başlamalı: bugün içgüdüyle tahmin ettiğiniz bir sonucu seçin ve iki veya üç belirgin etkene karşı basit bir doğrusal model kurun.
VIZIO AI vaka çalışmalarında Regresyon Analizi
- Patient Retention Analytics ›Geçmiş kullanım ve iade örüntüleri üzerinde eğitilen tahmine dayalı modeller, pilot kliniklerde işitme cihazı iade oranlarının %12–15 azalmasına yardımcı oldu.
- Real-Time Fashion Analytics ›SKU ve reklam harcaması performansıyla birlikte sunulan fiyat esnekliği görünümleri, operasyonel karar alma sürecini %32 hızlandırdı.