A regress\u00e3o linear \u00e9 um dos algoritmos de aprendizado de m\u00e1quina mais antigos e amplamente utilizados na estat\u00edstica e na ci\u00eancia de dados. Seu principal objetivo \u00e9 modelar a rela\u00e7\u00e3o entre uma vari\u00e1vel dependente (alvo) e uma ou mais vari\u00e1veis independentes (preditoras), ajustando uma reta (ou hiperplano, no caso multivariado) que melhor explica essa rela\u00e7\u00e3o.<\/p>\n\n\n\n
A ideia central da regress\u00e3o linear \u00e9 prever o valor de uma vari\u00e1vel com base em outras vari\u00e1veis relacionadas. No caso mais simples, chamado de regress\u00e3o linear simples, utilizamos apenas uma vari\u00e1vel preditora e a rela\u00e7\u00e3o \u00e9 representada por uma linha reta:<\/p>\n\n\n\n
y = a + bx<\/p>\n\n\n\n
Onde:<\/p>\n\n\n\n
Quando h\u00e1 mais de uma vari\u00e1vel preditora, temos a regress\u00e3o linear m\u00faltipla:<\/p>\n\n\n\n
y = a + b1x1 + b2x2 + \u2026 + bnxn<\/p>\n\n\n\n
O algoritmo de regress\u00e3o linear utiliza m\u00e9todos matem\u00e1ticos, como o m\u00e9todo dos m\u00ednimos quadrados, para encontrar os coeficientes (a, b1, b2, \u2026) que minimizam a soma dos quadrados das diferen\u00e7as entre os valores previstos e observados.<\/p>\n\n\n\n
O processo b\u00e1sico envolve:<\/p>\n\n\n\n
A regress\u00e3o linear possui aplica\u00e7\u00e3o em diversas \u00e1reas, como:<\/p>\n\n\n\n
Simplicidade e interpretabilidade: F\u00e1cil de entender e implementar.
Efici\u00eancia: Gera resultados rapidamente, mesmo para grandes volumes de dados.
Base conceitual s\u00f3lida: Fundamentada em princ\u00edpios estat\u00edsticos conhecidos.
<\/p>\n\n\n\n
Suposi\u00e7\u00f5es r\u00edgidas: Pressup\u00f5e linearidade, normalidade dos res\u00edduos e aus\u00eancia de multicolinearidade.
Sensibilidade a outliers: Valores at\u00edpicos podem distorcer bastante o modelo.
Limita\u00e7\u00f5es para dados complexos: N\u00e3o captura rela\u00e7\u00f5es n\u00e3o lineares ou intera\u00e7\u00f5es complexas entre vari\u00e1veis.<\/p>\n\n\n\n
using System;\n\nclass RegressaoLinearSimples\n{\n \/\/ Calcula o coeficiente angular (slope) e o intercepto\n public static void CalcularRegressao(double[] x, double[] y, out double slope, out double intercept)\n {\n int n = x.Length;\n double sumX = 0, sumY = 0, sumXY = 0, sumXX = 0;\n\n for (int i = 0; i < n; i++)\n {\n sumX += x[i];\n sumY += y[i];\n sumXY += x[i] * y[i];\n sumXX += x[i] * x[i];\n }\n\n slope = (n * sumXY - sumX * sumY) \/ (n * sumXX - sumX * sumX);\n intercept = (sumY - slope * sumX) \/ n;\n }\n\n \/\/ Faz a predi\u00e7\u00e3o com base nos coeficientes calculados\n public static double Predizer(double x, double slope, double intercept)\n {\n return intercept + slope * x;\n }\n\n static void Main(string[] args)\n {\n \/\/ Exemplo de dados\n double[] x = { 1, 2, 3, 4, 5 };\n double[] y = { 2, 4, 5, 4, 5 };\n\n \/\/ Calcular a regress\u00e3o\n CalcularRegressao(x, y, out double slope, out double intercept);\n\n Console.WriteLine($\"Coeficiente angular (slope): {slope:F4}\");\n Console.WriteLine($\"Intercepto: {intercept:F4}\");\n\n \/\/ Predi\u00e7\u00e3o para um novo valor de x\n double novoX = 6;\n double previsao = Predizer(novoX, slope, intercept);\n Console.WriteLine($\"Para x = {novoX}, a previs\u00e3o de y = {previsao:F2}\");\n }\n}<\/pre>\n\n\n\n<\/p>\n\n\n\n
Explica\u00e7\u00e3o:<\/strong>
A fun\u00e7\u00e3o CalcularRegressao recebe os vetores de entrada (x, y) e retorna os valores do coeficiente angular (slope) e o intercepto.
A fun\u00e7\u00e3o Predizer permite estimar valores futuros de y para um novo valor de x.
No exemplo, s\u00e3o usados cinco pontos para ajuste e \u00e9 feita uma previs\u00e3o para x = 6.
<\/p>\n\n\n\nO que \u00e9 “Slope” (Coeficiente Angular)?<\/strong>
O slope (em portugu\u00eas: coeficiente angular ou inclina\u00e7\u00e3o) indica o quanto a vari\u00e1vel dependente (y) muda a cada unidade de aumento na vari\u00e1vel independente (x).<\/p>\n\n\n\nEm termos simples:
\u00c9 a \u201cinclina\u00e7\u00e3o\u201d da reta ajustada pelo modelo da regress\u00e3o linear.<\/p>\n\n\n\n
No contexto da equa\u00e7\u00e3o da reta:<\/p>\n\n\n\n
y = a + bx
\u2191
slope
Exemplo:
Se o slope for 2, isso significa que para cada acr\u00e9scimo de 1 unidade em x, o valor de y tende a aumentar 2 unidades.<\/p>\n\n\n\n
O que \u00e9 “Intercept” (Intercepto)?<\/strong>
O intercept (em portugu\u00eas: intercepto ou coeficiente linear) representa o valor da vari\u00e1vel dependente (y) quando a vari\u00e1vel independente (x) \u00e9 igual a zero.<\/p>\n\n\n\nEm termos simples:
\u00c9 o ponto onde a reta cruza o eixo y (vertical) do gr\u00e1fico.<\/p>\n\n\n\n
No contexto da equa\u00e7\u00e3o da reta:<\/p>\n\n\n\n
y = a + bx
\u2191
intercept
Exemplo:
Se o intercept for 3, quando x = 0, o valor predito para y \u00e9 3.<\/p>\n\n\n\n
Observa\u00e7\u00f5es<\/strong>:
Esta \u00e9 uma implementa\u00e7\u00e3o b\u00e1sica e serve para aprendizado ou situa\u00e7\u00f5es simples.
Para problemas com m\u00faltiplas vari\u00e1veis (regress\u00e3o linear m\u00faltipla), o algoritmo se torna mais complexo, exigindo \u00e1lgebra linear (resolu\u00e7\u00e3o de sistemas de equa\u00e7\u00f5es), que pode ser feito usando bibliotecas especializadas.<\/p>\nViews: 1<\/p>","protected":false},"excerpt":{"rendered":"
A regress\u00e3o linear \u00e9 um dos algoritmos de aprendizado de m\u00e1quina mais antigos e amplamente utilizados na estat\u00edstica e na […]<\/p>\n","protected":false},"author":1,"featured_media":504,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[73,49],"tags":[202,62,205],"class_list":["post-503","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-inteligencia-artificial","category-programacao","tag-algoritmo","tag-c","tag-machine-learning"],"_links":{"self":[{"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=\/wp\/v2\/posts\/503","targetHints":{"allow":["GET"]}}],"collection":[{"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=503"}],"version-history":[{"count":1,"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=\/wp\/v2\/posts\/503\/revisions"}],"predecessor-version":[{"id":505,"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=\/wp\/v2\/posts\/503\/revisions\/505"}],"wp:featuredmedia":[{"embeddable":true,"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=\/wp\/v2\/media\/504"}],"wp:attachment":[{"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=503"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=503"},{"taxonomy":"post_tag","embeddable":true,"href":"http:\/\/www.wagnersalvi.com.br\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=503"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}