1. Лінійна Регресія (Linear Regression)

Модель для встановлення лінійної залежності між незалежними змінними ($X$) та залежною змінною ($Y$).

Проста Лінійна Регресія

Формула: $Y = b_0 + b_1 X + \epsilon$

• $b_0$: Перетин (Intercept).
• $b_1$: Нахил (Slope), вплив $X$ на $Y$.

Множинна Лінійна Регресія

Формула: $Y = b_0 + b_1 X_1 + b_2 X_2 + \dots + b_n X_n + \epsilon$

2. Поліноміальна Регресія та Pipelines

Поліноміальна Регресія

Модель для опису нелінійної залежності шляхом додавання поліноміальних членів (наприклад, $X^2, X^3$).

Формула (2-го ступеня): $Y = b_0 + b_1 X + b_2 X^2 + \epsilon$

Pipelines

Автоматизація послідовності кроків (наприклад: Масштабування $\to$ Створення поліноміальних ознак $\to$ Модель). Забезпечує чистоту даних та уникнення витоку даних (Data Leakage).

3. Оцінка Моделі (In-Sample Evaluation)

Метрики для оцінки того, наскільки добре модель відповідає тренувальним даним.

A. R-квадрат (R-squared, $R^2$)

Вимірює частку дисперсії $Y$, пояснену моделлю. Діапазон: $[0, 1]$. Що ближче до 1, то краще.