Hiểu về Hồi quy Tuyến tính Bội: Từ một đến nhiều biến số

Làm thế nào để dự đoán thời gian chạy bộ khi nó phụ thuộc vào cả chống đẩy, gập bụng và tuổi tác? Hồi quy Tuyến tính Bội là công cụ mở rộng sức mạnh dự báo từ một lên nhiều chiều.

1
Từ Đơn giản đến Bội

Đây là bước mở rộng tự nhiên để phản ánh thế giới thực phức tạp hơn.

Tiêu chí Hồi quy Đơn (\(k=1\)) Hồi quy Bội (\(k > 1\))
Đầu vào 1 biến (\(x\)) Nhiều biến (\(x_1, x_2...\))
Hình học Đường thẳng (Line) Mặt phẳng (Plane)
Sức mạnh Cơ bản Toàn diện & Chính xác hơn

2
"Giải phẫu" Phương trình Cốt lõi

Trái tim của mô hình là phương trình kết hợp các yếu tố lại với nhau.

\( y_i = \beta_0 + \beta_1x_{1i} + \dots + \beta_kx_{ki} + \varepsilon_i \)
Biến kết quả (y) Cái cần dự báo (VD: Thời gian chạy).
Hệ số (\(\beta\)) Trọng số tác động của từng yếu tố.
(\(\beta_i > 0\) tăng, \(\beta_i < 0\) giảm)
Đầu vào (x) Các yếu tố giải thích (VD: Chống đẩy, Tuổi).
Sai số (\(\varepsilon\)) Sự nhiễu loạn ngẫu nhiên không tránh khỏi.

3
Giá trị Kỳ vọng: Từ Đường thẳng đến Mặt phẳng

Khi bỏ qua sai số, chúng ta có giá trị trung bình (kỳ vọng). Hình học của nó thay đổi theo số lượng biến.

Hồi quy Đơn: Đường thẳng
Hồi quy Bội: Mặt phẳng

Phép ẩn dụ này cho thấy mô hình đã mở rộng từ 1 chiều sang không gian nhiều chiều để bao quát hiện thực.

4
Sự Linh hoạt: Hơn cả Tuyến tính

Đừng để cái tên "tuyến tính" đánh lừa. Mô hình này cực kỳ dẻo dai.

📈 Mô hình Đa thức

Thêm \(x^2\) để bắt các mối quan hệ cong (Parabol).
VD: Hiệu suất vs Nhiệt độ.

🚹🚺 Biến Chỉ báo

Dùng số 0/1 để đại diện cho Nam/Nữ, Có/Không.
VD: Tác động của Giới tính.

5
Tổng kết: Điểm Chính

  • ✓
    Mở rộng: Dùng nhiều biến đầu vào để dự đoán chính xác hơn.
  • ✓
    Hệ số \(\beta\): Tác động riêng của từng biến khi giữ các biến khác không đổi.
  • ✓
    Hình học: Mở rộng từ đường thẳng thành mặt phẳng hoặc siêu phẳng.
  • ✓
    Linh hoạt: Xử lý được cả đường cong và biến phân loại.