linear model

Angol

Főnév

linear model (tsz. linear models)

(informatika) lineáris modell

A linear model (lineáris modell) a statisztika, a gépi tanulás, az adatbányászat és a közgazdaságtan egyik legalapvetőbb és legelterjedtebb eszköze. Ez egy olyan matematikai modell, amelyben a függő változó (válasz) egy vagy több független változótól (magyarázó változóktól) lineárisan függ.

1. Definíció

A lineáris modell általános formája:

$y = β_{0} + β_{1} x_{1} + β_{2} x_{2} + \dots + β_{p} x_{p} + ε$

– ahol:

$y$ : a függő változó (kimenet)
$x_{i}$ : magyarázó változók (input, prediktor)
$β_{i}$ : paraméterek (súlyok), amelyeket meg kell becsülni
$ε$ : hibatag (véletlen zaj)

2. Lineáris vagy nemlineáris?

📌 A lineáris modell attól “lineáris”, hogy a paraméterekben lineáris, nem feltétlenül az inputban!

Példák:

Modell	Lineáris modell?
$y = β_{0} + β_{1} x$	✅ Igen
$y = β_{0} + β_{1} \sin (x)$	✅ Igen
$y = β_{0} + β_{1} x^{2}$	✅ Igen
$y = β_{0} + β_{1} x + β_{2} x \cdot y$	❌ Nem
$y = β_{0} + e^{β_{1} x}$	❌ Nem

3. A lineáris regresszió

Egyszerű lineáris regresszió:

$y = β_{0} + β_{1} x + ε$

Cél: megtalálni $β_{0}$ és $β_{1}$ értékét úgy, hogy a becsült értékek a lehető legjobban illeszkedjenek az adatokhoz.

4. Becslés módszere: Legkisebb négyzetek módszere (OLS)

$min_{β} \sum_{i = 1}^{n} (y_{i} - {\hat{y}}_{i})^{2} = min_{β} \sum (y_{i} - β_{0} - β_{1} x_{i})^{2}$

Ez egy konvex optimalizálási probléma, aminek analitikus megoldása is van.

5. Mátrixos forma

Több változós esetben (multivariáns):

$𝐲 = X β + ε$

$𝐲$ : $n \times 1$ vektor (válaszok)
$X$ : $n \times p$ designmátrix (inputok)
$β$ : $p \times 1$ paramétervektor
$ε$ : hibavektor

OLS-megoldás:

$\hat{β} = (X^{T} X)^{- 1} X^{T} 𝐲$

6. Jellemzők és feltételezések

A lineáris modellek akkor működnek jól, ha:

A kapcsolat lineáris a paraméterekben
A hibák:
- Átlaguk 0
- Azonos szórásúak (homoszkedaszticitás)
- Függetlenek egymástól
- Normál eloszlásúak (ha statisztikai inferenciát végzünk)

7. Előnyök és hátrányok

✅ Előnyök:

Egyszerű, értelmezhető
Gyorsan illeszthető
Alap statisztikai elmélet jól kidolgozott
Könnyen vizualizálható

❌ Hátrányok:

Csak lineáris kapcsolatokat tud modellezni
Nem kezeli jól az outliereket
Nem képes nemlineáris struktúrák felismerésére

8. Gyakorlati alkalmazások

Terület	Példa
Közgazdaságtan	Árbevétel előrejelzése
Egészségügy	Életkor hatása vérnyomásra
Marketing	Kampányköltség és eladások kapcsolata
Gépi tanulás	Feature baseline modellek

9. Python példa (scikit-learn)

from sklearn.linear_model import LinearRegression
import numpy as np

X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 5, 4, 5])

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

print("Becslés: y =", model.intercept_, "+", model.coef_[0], "* x")

10. Összefoglalás

Fogalom	Leírás
Linear model	Olyan modell, ahol a kimenet a bemenetek lineáris kombinációja
Általános forma	$y = β_{0} + β_{1} x_{1} + \dots + β_{p} x_{p} + ε$
Illesztés	Legkisebb négyzetek módszerével
Előny	Egyszerű, gyors, értelmezhető
Korlát	Csak lineáris kapcsolatok, érzékeny a hibákra
Kiterjesztések	Ridge, Lasso, GLM, logisztikus regresszió

A lineáris modell az összes prediktív modell alapja – érthető, gyors, és ha jól használjuk, meglepően hatékony. Ha a világ nem teljesen lineáris, akkor is gyakran első közelítésként kiváló.

További információk

linear model - Szótár.net (en-hu)
linear model - Sztaki (en-hu)
linear model - Merriam–Webster
linear model - Cambridge
linear model - WordNet
linear model - Яндекс (en-ru)
linear model - Google (en-hu)
linear model - Wikidata
linear model - Wikipédia (angol)