Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Regressie is een veelgebruikte techniek binnen machine learning waarbij een model een numerieke waarde voorspelt. In plaats van een categorie te kiezen, zoals bij classificatie, probeert een regressiemodel een continue uitkomst zo nauwkeurig mogelijk te benaderen op basis van invoergegevens.
Wat is regressie?
Bij regressie leert een model het verband tussen één of meerdere invoervariabelen en een continue doelwaarde. Het doel is om een functie te vinden die zo goed mogelijk aansluit op de data, zodat nieuwe, onbekende invoer kan worden omgezet in een realistische voorspelling.
Denk aan het voorspellen van een prijs, temperatuur of hoeveelheid, waarbij kleine verschillen in invoer ook kleine verschillen in uitvoer veroorzaken.
Voorbeelden van regressie
Regressie wordt toegepast in veel alledaagse en zakelijke scenario’s, zoals:
- Het voorspellen van de verkoopprijs van een huis op basis van woonoppervlak en locatie
- Het inschatten van energieverbruik op basis van weersgegevens
- Het voorspellen van omzet of vraag in de toekomst
- Het berekenen van reistijd op basis van afstand en verkeersdrukte
In al deze gevallen is de uitkomst geen vaste klasse, maar een getal.
Hoe leert een regressiemodel?
Tijdens training vergelijkt het model zijn voorspellingen met de werkelijke waarden. Het verschil tussen die twee heet de fout. Door deze fout steeds te verkleinen, past het model zijn interne parameters aan totdat de voorspellingen zo dicht mogelijk bij de werkelijkheid liggen.
Vaak wordt hiervoor een loss-functie gebruikt zoals de mean squared error, die grotere fouten extra zwaar meeweegt.
Lineaire en niet-lineaire regressie
De eenvoudigste vorm is lineaire regressie, waarbij het model een rechte lijn probeert te trekken door de data. In de praktijk zijn verbanden vaak complexer, waardoor niet-lineaire regressie of neurale netwerken worden ingezet om kromme of meerlagige relaties te leren.
Wanneer gebruik je regressie?
Regressie is geschikt wanneer:
- De uitkomst een getal is
- Kleine verschillen belangrijk zijn
- Trends en patronen in data voorspeld moeten worden
Als de uitkomst bestaat uit vaste labels of categorieën, is classificatie meestal een betere keuze.
Verder lezen
Wil je stap voor stap leren hoe regressie past binnen het complete leerproces van AI en machine learning? In de gratis AI basiscursus wordt regressie in context uitgelegd, met voorbeelden en duidelijke uitleg zonder wiskundige overload.
DE WERELD VAN AI 