Linear Regression Deep Dive

ခဏလေး ဒီလိုပဲ စဉ်းစားကြည့်

Linear Regression ရဲ့ formula က `y = m*x + b` (school algebra ကနေ ရင်းနှီးမှာပါ) — `m` (coefficient/slope) က feature တစ်ခုချင်းစီရဲ့ 'ဘယ်လောက် weight' ရှိလဲ ကို ဖော်ပြပြီး, `b` (intercept) က feature အားလုံး 0 ဖြစ်တဲ့အခါ baseline value ကို ဖော်ပြပါတယ်။ Multiple Linear Regression ကတော့ feature တစ်ခုထက်ပို (`y = m1*x1 + m2*x2 + ... + b`) ကို handle လုပ်နိုင်ပါတယ် — house price ကို 'size' တစ်ခုတည်းမဟုတ်ဘဲ 'size + location + age' ဆိုပြီး feature များစွာနဲ့ predict ချင်ရင် ဒီ concept ကို သုံးရပါတယ်.

လက်တွေ့ scenario နဲ့ ချိတ်ကြည့်မယ်

`model.coef_` ကို print ကြည့်ရင် feature တစ်ခုချင်းစီရဲ့ coefficient ကို ကြည့်နိုင်ပါတယ် — coefficient positive ဆိုရင် feature တိုးလာရင် target တိုးလာမယ် (positive correlation), negative ဆိုရင် feature တိုးလာရင် target ကျသွားမယ် (negative correlation) ဆိုတာ interpret လုပ်နိုင်ပါတယ် — 'size' coefficient က 'age' coefficient ထက် ကြီးရင် size က price ကို ပိုသက်ရောက်တယ်ဆိုတာ ခန့်မှန်းနိုင်ပါတယ်.

• Linear Regression formula: y = m*x + b (m=coefficient, b=intercept)
• Multiple Linear Regression = feature များစွာ (y = m1*x1 + m2*x2 + ... + b)
• model.coef_ = feature တစ်ခုချင်းစီရဲ့ weight/direction (positive/negative correlation) ကို interpret

အတူတူ ကြည့်မယ်

from sklearn.linear_model import LinearRegression

# Multiple features: size, age, distance to city center
X = df[['size', 'age', 'distance']]
y = df['price']

model = LinearRegression()
model.fit(X, y)

print(f"Coefficients: {model.coef_}")
print(f"Intercept: {model.intercept_}")
# e.g. Coefficients: [1200, -800, -3000]
# size: +1200 per unit, age: -800 per year, distance: -3000 per km

Coefficients: [1200.5  -800.2 -3000.1]
Intercept: 50000.0