الانحدار الخطي (Linear Regression) Linear Regression

الصياغة

y = w₁·x₁ + w₂·x₂ + ... + wₙ·xₙ + b

# التدريب بأقل مجموع مربعات (OLS):
min Σ (y_pred − y_true)²

📄 مثال

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

X, y = make_regression(n_samples=200, n_features=3, noise=10, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

model = LinearRegression()
model.fit(X_train, y_train)

print(f"المعاملات: {model.coef_.round(2)}")
print(f"الانحياز: {model.intercept_:.2f}")
print(f"R² اختبار: {model.score(X_test, y_test):.3f}")

أهم النقاط

💡 نصائح عملية

• وحّد المقاسات (StandardScaler) قبل التدريب حين تختلف وحدات الميزات — وإلا سيطغى ميزان ميزة بمقاس أكبر
• افحص coef_ لتفسير النموذج: المعاملات الكبيرة = تأثير أكبر. هذا من أقوى مزايا الانحدار الخطي

⚠️ أخطاء شائعة

• تفسير coef_ كمهمّة سببية — الارتباط في البيانات التدريبية ≠ تأثير سببي في الواقع
• تطبيق الانحدار الخطي على y فئة (0/1) — استخدم Logistic Regression بدلًا منه

خصائص ذات صلة