22/100 多元線性回歸 📊 考慮多個變數影響,讓預測結果更精準!

更新於 發佈於 閱讀時間約 9 分鐘

AI時代系列(3) 機器學習三部曲: 🔹 第一部:《機器學習 —— AI 智慧的啟航》


22/100 第三週:監督學習(回歸)


22. 多元線性回歸 📊 考慮多個變數影響,讓預測結果更精準!


📊 多元線性回歸(Multiple Linear Regression)


考慮多個變數影響,讓預測結果更精準!

在實際應用中,影響結果的因素往往不只一個。例如:


房價預測 🏠:受 面積、房齡、樓層數 影響

銷售額預測 💰:受 廣告費、產品價格、季節 影響

健康狀況預測 ❤️:受 飲食習慣、運動量、睡眠時長 影響


這時候,單純的線性回歸不夠精確,我們需要 多元線性回歸!

________________________________________


1️⃣ 什麼是多元線性回歸?


多元線性回歸(Multiple Linear Regression)是線性回歸的擴展版,考慮 多個特徵變數 X1,X2,...,Xn 來預測目標變數 y。


📌 方程式


y=w1X1+w2X2+...+wnXn+by


其中:

y = 目標值(預測值)

X1,X2,...,Xn = 輸入變數(特徵)

w1,w2,...,wn = 權重(每個變數的影響力)

b = 截距(bias)


🎯 目標


透過 最小二乘法(Least Squares Method),找到最佳的 w 和 b,讓誤差最小化,使預測結果更準確。

________________________________________


2️⃣ 多元線性回歸的 Python 實作


📌 例子:預測房價


假設房價受 房屋面積、房齡、樓層數 三個變數影響,我們使用 多元線性回歸 來建立模型。

________________________________________


✅ (1) 生成數據


python


import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split


# 產生隨機數據(50 筆房屋數據)


np.random.seed(42)

X1 = np.random.randint(20, 200, size=50) # 房屋面積(平方公尺)

X2 = np.random.randint(1, 50, size=50) # 房齡(年)

X3 = np.random.randint(1, 10, size=50) # 樓層數


# 房價計算(模擬真實情況)


y = 5000 * X1 - 3000 * X2 + 2000 * X3 + 10000 + np.random.randint(-50000, 50000, size=50)


# 轉換為 DataFrame


df = pd.DataFrame({'面積': X1, '房齡': X2, '樓層': X3, '房價': y})


# 顯示前 5 筆數據


print(df.head())


📌 這些數據模擬真實世界的房價影響因素:


面積增加 → 房價上升

房齡增加 → 房價下降

樓層增加 → 房價略微上升

________________________________________


✅ (2) 訓練多元線性回歸模型


python


# 分割訓練集與測試集(80% 訓練,20% 測試)

X = df[['面積', '房齡', '樓層']] # 特徵變數

y = df['房價'] # 目標變數


X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)


# 創建並訓練模型

model = LinearRegression()

model.fit(X_train, y_train)


# 獲取最佳參數

w1, w2, w3 = model.coef_ # 權重

b = model.intercept_ # 截距


print(f"多元線性回歸方程:房價 = {w1:.2f} * 面積 + {w2:.2f} * 房齡 + {w3:.2f} * 樓層 + {b:.2f}")


📌 結果示例:


房價=4978.32×面積−3021.45×房齡+1987.30×樓層+10342.67

解讀

每增加 1 平方公尺,房價增加 4978.32 元

每增加 1 年房齡,房價減少 3021.45 元

每增加 1 層樓,房價增加 1987.30 元

________________________________________


✅ (3) 預測與評估模型


python


from sklearn.metrics import mean_squared_error, r2_score


# 預測測試集房價

y_pred = model.predict(X_test)


# 計算均方誤差(MSE)與 R²

mse = mean_squared_error(y_test, y_pred)

r2 = r2_score(y_test, y_pred)


print(f"MSE(均方誤差):{mse:.2f}")

print(f"R² 決定係數:{r2:.4f}")


📌 R²(決定係數)


範圍:0 ~ 1

越接近 1,表示模型擬合效果越好

若 R² 很低,可能需要考慮非線性回歸

________________________________________


3️⃣ 多元線性回歸的優缺點


✅ 優點


考慮多個變數,提高預測準確度

結果具有可解釋性,每個變數的影響力明確

計算效率高,適合大數據應用


⚠ 缺點


假設變數之間沒有共線性(Multicollinearity)

o 例如:「房屋面積」和「房間數」可能高度相關,影響回歸效果

無法擬合非線性數據

o 例如:「房價 vs. 季節變化」,可能需要 多項式回歸或決策樹回歸

容易受異常值(Outliers)影響

________________________________________


4️⃣ 如何處理變數之間的共線性?


📌 (1) 檢查特徵之間的相關性


python


import seaborn as sns


# 計算特徵之間的相關係數

correlation_matrix = df.corr()


# 繪製熱圖

sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt=".2f")

plt.title("特徵之間的相關性")

plt.show()


📌 若兩個變數高度相關(接近 1 或 -1),可能需要刪除其中一個!


📌 結論


✅ 多元線性回歸考慮多個變數,使預測更精準!

✅ 適合應用於房價預測、銷售額預測、健康分析等領域

✅ 但要注意變數之間的共線性,下一章節介紹使用 Ridge/Lasso


留言
avatar-img
留言分享你的想法!
avatar-img
Hansen W的沙龍
0會員
40內容數
AIHANS沙龍是一個結合AI技術實戰、產業策略與自我成長的知識平台,主題涵蓋機器學習、生成式AI、創業經驗、財務規劃及哲學思辨。這裡不只提供系統化學習資源與實作案例,更強調理性思維與行動力的結合。無論你是AI初學者、創業者,還是追求人生升維的行者,都能在這裡找到前進的方向與志同道合的夥伴。
Hansen W的沙龍的其他內容
2025/05/27
想快速掌握機器學習核心?本單元以房價案例手把手示範線性回歸,從理論、Python 實作到評估指標,一條直線即可洞悉數據趨勢,建立建模信心,是所有 AI 新人不可錯過的啟蒙課!更結合 MSE、R² 等評估技巧,助你打下回歸分析扎實基礎,邁向進階多元模型。
Thumbnail
2025/05/27
想快速掌握機器學習核心?本單元以房價案例手把手示範線性回歸,從理論、Python 實作到評估指標,一條直線即可洞悉數據趨勢,建立建模信心,是所有 AI 新人不可錯過的啟蒙課!更結合 MSE、R² 等評估技巧,助你打下回歸分析扎實基礎,邁向進階多元模型。
Thumbnail
2025/05/26
掌握 Pandas、NumPy,一站精通數據清理、缺失值補齊、特徵選擇與 PCA 降維!模組化範例搭配自測題,快速鞏固概念並排除常見坑,助你打造更穩定、公平且高效的 AI 模型。入門到實戰必讀,快速開啟數據科學核心能力!
Thumbnail
2025/05/26
掌握 Pandas、NumPy,一站精通數據清理、缺失值補齊、特徵選擇與 PCA 降維!模組化範例搭配自測題,快速鞏固概念並排除常見坑,助你打造更穩定、公平且高效的 AI 模型。入門到實戰必讀,快速開啟數據科學核心能力!
Thumbnail
2025/05/26
面對類別不平衡,別再只看準確率!本單元以詐欺檢測為例,手把手示範過/欠採樣、SMOTE 與 class_weight,並教你用 Recall、F1、AUC 全面評估,讓模型真正兼顧公平與效能。理論+程式碼雙線並進,入門實戰必看!
Thumbnail
2025/05/26
面對類別不平衡,別再只看準確率!本單元以詐欺檢測為例,手把手示範過/欠採樣、SMOTE 與 class_weight,並教你用 Recall、F1、AUC 全面評估,讓模型真正兼顧公平與效能。理論+程式碼雙線並進,入門實戰必看!
Thumbnail
看更多
你可能也想看
Thumbnail
「欸!這是在哪裡買的?求連結 🥺」 誰叫你太有品味,一發就讓大家跟著剁手手? 讓你回購再回購的生活好物,是時候該介紹出場了吧! 「開箱你的美好生活」現正召喚各路好物的開箱使者 🤩
Thumbnail
「欸!這是在哪裡買的?求連結 🥺」 誰叫你太有品味,一發就讓大家跟著剁手手? 讓你回購再回購的生活好物,是時候該介紹出場了吧! 「開箱你的美好生活」現正召喚各路好物的開箱使者 🤩
Thumbnail
介紹朋友新開的蝦皮選物店『10樓2選物店』,並分享方格子與蝦皮合作的分潤計畫,註冊流程簡單,0成本、無綁約,推薦給想增加收入的讀者。
Thumbnail
介紹朋友新開的蝦皮選物店『10樓2選物店』,並分享方格子與蝦皮合作的分潤計畫,註冊流程簡單,0成本、無綁約,推薦給想增加收入的讀者。
Thumbnail
本文介紹了人工智慧(AI)及機器學習(ML)的基本概念和關係,探討了數據在機器學習中的重要性,以及深度學習和生成式人工智慧的應用。
Thumbnail
本文介紹了人工智慧(AI)及機器學習(ML)的基本概念和關係,探討了數據在機器學習中的重要性,以及深度學習和生成式人工智慧的應用。
Thumbnail
在當今快速發展的技術時代,人工智能 Artificial Intelligence 和機器學習 Machine Learning 已成為推動業務創新和增長的重要力量。從改善客戶服務到優化運營流程,AI和ML的應用範圍日益廣泛,為企業創造出前所未有的機會。企業又可如何利用AI和ML提升業務呢?
Thumbnail
在當今快速發展的技術時代,人工智能 Artificial Intelligence 和機器學習 Machine Learning 已成為推動業務創新和增長的重要力量。從改善客戶服務到優化運營流程,AI和ML的應用範圍日益廣泛,為企業創造出前所未有的機會。企業又可如何利用AI和ML提升業務呢?
Thumbnail
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面,從違約預測到都市交通管理。AI任務主要有三類:數值型資料處理、自然語言處理(NLP)和電腦影像辨識。時間序列資料和強化學習方法(如AlphaGo)也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化,了解這些基礎有助選擇適合研究方向
Thumbnail
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面,從違約預測到都市交通管理。AI任務主要有三類:數值型資料處理、自然語言處理(NLP)和電腦影像辨識。時間序列資料和強化學習方法(如AlphaGo)也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化,了解這些基礎有助選擇適合研究方向
Thumbnail
最新的AI趨勢讓人眼花撩亂,不知要如何開始學習?本文介紹了作者對AI的使用和體驗,以及各類AI工具以及推薦的選擇。最後強調了AI是一個很好用的工具,可以幫助人們節省時間並提高效率。鼓勵人們保持好奇心,不停止學習,並提出了對健康生活和開心生活的祝福。
Thumbnail
最新的AI趨勢讓人眼花撩亂,不知要如何開始學習?本文介紹了作者對AI的使用和體驗,以及各類AI工具以及推薦的選擇。最後強調了AI是一個很好用的工具,可以幫助人們節省時間並提高效率。鼓勵人們保持好奇心,不停止學習,並提出了對健康生活和開心生活的祝福。
Thumbnail
AI與人類分工:預測與判斷的智慧結合
Thumbnail
AI與人類分工:預測與判斷的智慧結合
Thumbnail
以下都是轉貼各方觀點,重點可以進一步看發表者跟回應者,我自己也有自身應用場景的murmur : 低利率環境可能回不去 科技掌握在大資金公司時代則是持續下去 工業時代引導一波人才需求 東方社會喜歡考試定生死 學校教育外還有補習班可以協助 既然AI工具隨處可得 培養厚植的各方素養與多元興趣
Thumbnail
以下都是轉貼各方觀點,重點可以進一步看發表者跟回應者,我自己也有自身應用場景的murmur : 低利率環境可能回不去 科技掌握在大資金公司時代則是持續下去 工業時代引導一波人才需求 東方社會喜歡考試定生死 學校教育外還有補習班可以協助 既然AI工具隨處可得 培養厚植的各方素養與多元興趣
Thumbnail
ChatGPT剛問世的那陣子,世界各地不約而同,出現許多試著教會AI「1+1=3」的人類。
Thumbnail
ChatGPT剛問世的那陣子,世界各地不約而同,出現許多試著教會AI「1+1=3」的人類。
Thumbnail
數位化時代中,人工智能(AI)已成為推動創新和進步的關鍵力量。本文探討AI的現狀、挑戰以及未來可能性,並提出負責任地發展和使用AI的思考。
Thumbnail
數位化時代中,人工智能(AI)已成為推動創新和進步的關鍵力量。本文探討AI的現狀、挑戰以及未來可能性,並提出負責任地發展和使用AI的思考。
Thumbnail
本文將探討人工智能對生活上的影響和改變,同時,例如規劃時間,安排選擇等等,附上一些建議與推薦工具。 在今天,大語言模型開通全球,我們可以輕易的使用人工智能對話,和他們對話,交流,討論,但是,除了娛樂以外,在生活上,我們還有什麼用法呢?
Thumbnail
本文將探討人工智能對生活上的影響和改變,同時,例如規劃時間,安排選擇等等,附上一些建議與推薦工具。 在今天,大語言模型開通全球,我們可以輕易的使用人工智能對話,和他們對話,交流,討論,但是,除了娛樂以外,在生活上,我們還有什麼用法呢?
Thumbnail
2023年被世人稱做生成式AI世代的元年,各式各樣的AI工具不斷湧現,改變了人們的生活。本文將詳細介紹人工智慧和機器學習的相關知識,以及各種人工智慧和機器學習的實現方法。
Thumbnail
2023年被世人稱做生成式AI世代的元年,各式各樣的AI工具不斷湧現,改變了人們的生活。本文將詳細介紹人工智慧和機器學習的相關知識,以及各種人工智慧和機器學習的實現方法。
追蹤感興趣的內容從 Google News 追蹤更多 vocus 的最新精選內容追蹤 Google News