【データサイエンス】回帰分析と多重共線性（これ知らんと回帰分析出来ないでしょ））

[@isotash_]

このテンションでデータサイエンスに話せる才能やばいっすね笑
もっと世に出ていい人材。

[@りりいる]

すごく直感的な話をすると、X1とX2がほぼ線形なら、b1とb2はどっちを大きくしてどっちを小さくしても良い。どっちでもいい数字は、チョットのノイズで出方が大きく変わる。
よいこの皆は線形回帰する前に説明変数を直交化するんじゃぞい

[@tonnnsuke]

行列の逆行列がとれないから多重線形っていうのはまずいけど、ｙ値の予測は一般逆行列を使っても一意に定まるから問題ないっていうのがバックグラウンド

[@Ti-zl9cy]

LGBMなどの決定木でも同様に気にするべきでしょうか？それとも関係ないですか？
また、まずい場合はb1かb2どちらかを除外して回帰させる、という方針になるのでしょうか？

[@見習いクオンツ]

時系列分析で多重共線性を回避する方法何か知りませんか？
時系列用の次元削減方法があるのでしょうか

[@daikiarima505]

すごくわかりやすかったです！ありがとうございます

[@ドオー-l5o]

多重共生は仕事でも頻繁に使うのでしょうか？

[@nagaokaTakeshi]

わかりやすすぎました

[@atgfull]

私には難しかった。
多重共線性というのは擬似相関の程度を別のいい方で定量的に示せることと理解いたしました。
海水浴客の数とアイスの売り上げが相関あるように見えるけど、これは擬似相関で、
実はどちらも気温と相関があると言った方が適切・・
回帰分析では、それを見誤らないようにということですかね？

[@J_ZEPP]

Malti じゃなくて、Multi-collinearityですね、複数・多数っていう意味のMultiple から来るので(細かくてすみません)。
内容には、全然関係ないので、無視しちゃってください。

[@naka0812moto]

ありがとうございました！

[@gochuui1]

関西のアイスクリーム販売数を予測するときに
大阪の気温メインで予測するのと京都の気温メインで予測するのが
ほとんど変わらず、どっちを重用するかは安定しないけど
どっちにしろ予測結果はあんま変わらんってことだろう

[@ぺんぎん太郎-p5i]

いつもありがとう〜

[@SekaKichi]

とても勉強になりました😭予測だけの時はマルチコさんに敏感にならなくてもよいのですね！

[@この顔にピンときたら-g8l]

4:25
相関係数-1のときは大丈夫ってことですか？

[@ParaGate999]

これもだめだ。

[@manya6967]

というと？(素直な疑問)