regression
Примеры
The mother signifies regression to lack of autonomy, the loss of post-Oedipally achieved individuation.
Мать означает регрессию к отсутствию самостоятельности, утрату индивидуации, достигнутой после эдипальной стадии.
When the saccade movement is backward rather than forward, it is called regression.
Когда саккада направлена назад, а не вперёд, её называют регрессией.
Skilled readers make shorter fixations, longer saccades, and fewer regressions than struggling readers.
У умелых читателей фиксации менее продолжительны, саккады большей амплитуды, а регрессий меньше, чем у читателей, испытывающих трудности с чтением.
Likewise, bilingual readers make shorter fixations, longer saccades, and fewer regressions in their primary language.
Аналогично, у двуязычных читателей на основном языке фиксации менее продолжительны, амплитуда саккад больше, а регрессий меньше.
Within the feminine space of Rosa’s basement hideout – as dark and closed as a womb – Leon experiences a regression, becoming a helpless child.
В женском пространстве подвального убежища Розы, тёмного и замкнутого, словно материнская утроба, Леон переживает регрессию, становясь беспомощным ребёнком.
Conversely, smaller datasets might necessitate the use of simpler models, such as linear regression or decision trees, which are less data-intensive.
Напротив, меньшие наборы данных могут требовать более простых моделей, например линейной регрессии или деревьев решений, которым нужно меньше данных.
Robust regressions are a very useful tool to understand net associations.
Робастные регрессии — весьма полезный инструмент для понимания связей, очищенных от влияния других факторов.
In EDA, scatter plots help assess linearity and other assumptions for regression and are often enhanced with trend lines.
В EDA диаграммы рассеяния помогают оценить линейность и другие предпосылки регрессии, и их часто дополняют линиями тренда.
Many statistical models (like t-tests, ANOVA, regression) have underlying assumptions (normality of errors, equal variances, linearity, etc.).
Многие статистические модели (например, t-тесты, ANOVA, регрессия) опираются на определённые предпосылки (нормальность ошибок, равенство дисперсий, линейность и т. д.).
Understanding distribution shapes helps in assumption checking (e.g., normality for regression or t-tests) and informs the selection of summary statistics
Понимание формы распределений помогает проверять предпосылки (например, нормальность для регрессии или t-тестов) и выбирать сводные статистики
In a regression, one variable is designated as the outcome (dependent variable) and one or more variables as predictors (independent variables).
В регрессии одну переменную обозначают как результат (зависимую переменную), а одну или несколько других — как предикторы (независимые переменные).
The simplest case is simple linear regression, which fits a line to predict the outcome Y from one predictor X.
Простейший случай — простая линейная регрессия, в которой подбирается прямая для прогнозирования результата Y по одному предиктору X.
Regression can incorporate multiple predictors: for example, income = f(education, age, gender, region, etc.).
Регрессия может включать несколько предикторов: например, доход = f(образование, возраст, пол, регион и т. д.).
Similarly, in regression, there’s an assumption of homoscedasticity of residuals (equal variance of errors across levels of the independent variables).
Аналогично в регрессии предполагается гомоскедастичность остатков, то есть одинаковая дисперсия ошибок при разных значениях независимых переменных.
In multiple regression, there is an assumption that the independent variables are not perfectly collinear (one variable being an exact linear combination of others).
В множественной регрессии предполагается, что независимые переменные не являются полностью коллинеарными, то есть одна переменная не представляет собой точную линейную комбинацию других.
Both correlation and simple linear regression rely on certain assumptions about the data.
И корреляция, и простая линейная регрессия опираются на определённые предположения о данных.
The residuals (errors) in the regression should be independent of each other.
Остатки, или ошибки, в регрессии должны быть независимы друг от друга.
However, the normality assumption matters for hypothesis testing and constructing confidence intervals on the regression coefficients and predictions.
Однако предположение о нормальности важно для проверки гипотез и построения доверительных интервалов для коэффициентов регрессии и прогнозов.
If severe non-normality exists, one might apply transformations or use non-parametric regression methods.
При сильном отклонении от нормальности можно применить преобразования или использовать непараметрические методы регрессии.
Similarly, a high-leverage point (an extreme value in terms of X that might not be outlying in Y) can pull the regression line toward it.
Аналогично точка с высоким значением рычага — экстремальное значение по X, которое может не быть выбросом по Y, — способна притянуть к себе линию регрессии.