رگرسیون چیست؟ مدل‌سازی آماری یکی از کاربردی‌ترین تکنیک‌های آماری است که در راس آن مدل‌های رگرسیونی قرار دارد. می‌توانیم براساس مقادیر متغیرهای مختلف از مشاهدات مدل، رابطه‌ای بین متغیرهای مستقل و وابسته ایجاد کنیم. از آنجایی که این مدل‌ها وابسته با مشاهدات حاصل از نمونه‌گیری هستند، نمی‌توان مانند ریاضیات آن‌ها را مدل‌های قطعی در نظر گرفت و عنصر تصادف و خطای تصادفی در چنین مدل‌های رگرسیونی منظور می‌شود. مدل‌های رگرسیون خطی (ساده یا چندگانه) یکی از مهم‌ترین تکنیک‌های مدل‌سازی آماری محسوب می‌شود. اهمیت یادگیری انواع رگرسیون چیست؟ محاسبات و مفاهیم به‌کاررفته در یادگیری ماشین یا Machine Learning وام‌دار تکنیک‌های پیشرفته آماری هستند. در این بین، رگرسیون یکی از پرکاربردترین روش‌های آماری است که به‌خصوص در یادگیری ماشین نظارتی به کار گرفته می‌شود. با توجه به نوع داده و رفتار آن‌ها مدل‌های رگرسیون متنوعی ساخته شده است. یادگیری انواع رگرسیون از چند جهت اهمیت دارد. رگرسیون ابزاری قدرتمند برای روابط بین متغیرها است. با استفاده از رگرسیون، می‌توان مدل‌هایی بسازیم که چگونگی تاثیرگذاری یک متغیر (متغیر وابسته) بر متغیرهای دیگر (متغیرهای مستقل) را پیش‌بینی کند. پیش‌بینی مقادیر آینده، از دیگر موارد اهمیت یادگیری رگرسیون است که از طریق آن می‌توان مدل‌هایی برای پیش‌بینی قیمت سهام، تقاضا برای یک محصول یا احتمال ابتلا به یک بیماری ساخت. همچنین رگرسیون ابزاری ارزشمند برای حل مسائل مختلف است. رگرسیون مدل‌هایی می‌سازد که منتج به درک بهتر یک مشکل و یافتن راه‌حل‌های موثر در آن زمینه خواهد شد. در این فرادرس چه چیزی یاد می‌گیریم؟ در این آموزش، به معرفی بعضی از مدل‌های رگرسیونی محبوب خواهیم پرداخت. ابتدا منظور از متغیر وابسته و مستقل را مشخص می‌کنیم، سپس رگرسیون خطی ساده را معرفی کرده و پارامترهای آن را به کمک روش‌های بهینه‌سازی ریاضیاتی به‌دست می‌آوریم. در گام‌های بعدی به معرفی تکنیک کمترین مربعات خطا (OLS) می‌پردازیم و آن را به عنوان الگوی برای محاسبات و برآورد پارامترهای مدل‌های رگرسیونی پیجیده‌تر به کار خواهیم برد.
