Pa, linearna regresija funkcije se primenjuje u okolini u kojoj je dat uzorak i to na istu funkciju.

Pokušaj da kvadratnu funkciju aproksimiraš linearnom u okolini tačke 2, recimo uzimajući vrednosti u tačkama 1.8, 1.9, 2, 2.1 i 2.2, pa onda primeni tu regresiju u tačkama 2.05, 2.3, 3 i 5.

???




_{[Ovu poruku je menjao Milan_n _ dana 07.06.2014. u 18:48 GMT+1]}

Nelinearnu funkciju aproksimiraš linearnom. Zato ima odstupanja.
Jednostavno rečeno, prava nikad ne može da se potpuno poklapa sa krivom.

Evo ovde (još jedan primer):



Ni jedan se ne poklapa, s tim što ona prva dva bar procentualno isto odstupaju (oko 12%), a ostalo se uopšte ne poklapa.

Ono skroz desno u zagradi to su procentualna (udeo) odstupanja . Kada se podeli y dobijeno sa y .

_{[Ovu poruku je menjao Milan_n _ dana 08.06.2014. u 10:01 GMT+1]}

Što znači da linerana regresija možda nije nabolji model za podatke kojima raspolažeš.
Probaj nešto drugo. Na primer interpolacione polinome.
Testiraj hipotezu da je linerana regresija nabolji model protiv alternativne da nije. Za test podatke možeš koristiti razliku odstupanja.

Prilikom bilo kakve regresije rezultat ce zavisiti od koordinatnog sistema tj. od skale. Zbog toga je potrebno uvek raditi normalizaciju pa posle dobijene rezultate vratiti u inicijalni koordinatni sistem. To je zbog toga sto podaci nisu idealni i zbog toga sto je sistem pravougaon (overdetermined).

Drugim recima treba oduzeti mean i podeliti sa sigma da bi se radelo u okolini nule. U tom slucaju se dobija najmanja greska.

Ukoliko bi zeleo dublje objasnjenje predlazem da konsultujes literaturu ( ima o tome u mnogim knjigima koje se bave ovom oblascu)

Pozdrav