
수면시간과 심술을 측정한 자료의 산점도
우리는 본능적으로 수면 시간이 늘어날수록 심술이 줄어든다는 것을 생각하고 있을 것

위의 예시처럼 1개의 독립변수로 종속변수를 설명 또는 예측하는 경우: 단순 선형 회귀
1개이상의 독립 변수를 통해 종속변수를 설명 또는 예측하는 경우: 다중 선형 회귀
오른쪽 그림의 직선이 수면시간과 심술을 "잘" 설명함
Q: 그렇다면 과연 "잘" 설명한다는 것은 어떤 기준으로 판단할 수 있을까?
A: 참값과 예측값을 줄이면 된다.
오차 e = Yi(실제) - Y^i(예측)
오차 (써메이션 ei) = 0 (편차랑 유사함)

선형회귀: 모든 점에서 떨어진 거리를 측정했을 때 평균적으로 가장 가까운 직선

변수를 변환해서 비선형곡선도 선형 곡선으로 바꿀 수 있음 (transformation)

y=β0+β1x1+β2x2+⋯+βpxp+ϵ
독립변수 X는 종속변수 Y를 설명할 수 있는 변수로 선택
c_df = sm.add_constant(c_df, has_constant='add')

MAE: 모델의 예측값과 실제값의 차이를 모두 더한다는 개념
→ 절대값이기 때문에 underperformance인지 overperformance인지 알 수 없음
mae = metrics.means_absolute_error(Y_test, Y_predict)

MSE: 제곱을 하기 때문에 모델의 예측값과 실제값 차이의 면적의 합
특이값이 존재하면 수치가 많이 늘어남 → 특이치에 민감
mse = metrics.means_squared_error(Y_test, Y_predict)
