Se você fosse aplicar regressão linear e tivesse que escolher apenas 2 atributos de entrada, quais escolheria? A escolha deve ter como objetivo obter o melhor resultado na regressão linear. Justifique
Passo 1
Ok, vamos lá! A questão pede para a gente escolher dois atributos de entrada para usar em uma regressão linear, com o objetivo de obter o melhor resultado possível. Regressão linear é uma técnica usada para prever valores numéricos com base em outros dados. Para resolver isso, vamos precisar entender um pouco sobre correlação entre os atributos e como eles influenciam o modelo.
Passo 2
Primeiro, é importante escolher atributos que tenham uma alta correlação com a variável que queremos prever. Isso significa que, quanto mais um atributo estiver relacionado com o que estamos tentando prever, melhor ele vai ajudar no nosso modelo. Por exemplo, se estamos tentando prever o preço de uma casa, atributos como metragem quadrada e localização geralmente têm alta correlação com o preço.
Passo 3
Segundo, devemos evitar escolher atributos que sejam altamente correlacionados entre si. Isso é conhecido como multicolinearidade, e pode causar problemas no modelo, tornando os coeficientes menos confiáveis. Então, é melhor escolher atributos que tragam informações únicas ao invés de atributos que basicamente dizem a mesma coisa.
Passo 4
Vamos usar a análise de correlação para identificar quais dois atributos têm a maior correlação positiva ou negativa com a variável alvo e que não sejam muito correlacionados entre si. Isso nos ajuda a garantir que estamos escolhendo os atributos mais relevantes e que contribuem de forma independente para o modelo.
Passo 5
Depois de selecionar os dois atributos com maior correlação com a variável alvo e que não sejam correlacionados entre si, podemos usar esses atributos para treinar nosso modelo de regressão linear. Isso deve nos dar um resultado mais preciso e confiável na previsão dos valores desejados.
Resposta
Escolheria os dois atributos que apresentarem a maior correlação com a variável que queremos prever e que não sejam altamente correlacionados entre si. Dessa forma, garantindo que cada atributo traz informações únicas e relevantes, otimizamos o desempenho da regressão linear e alcançamos os melhores resultados possíveis.