Wat is Linear Regression?

Wat is het eigenlijk?

Linear regression is een van de oudste en meest toegankelijke machine learning-technieken. Het idee is simpel: je zoekt de best passende rechte lijn door een verzameling datapunten. Die lijn kun je vervolgens gebruiken om voorspellingen te doen.

Stel je voor: je hebt een spreadsheet met honderd weken van je webshop. In kolom A staat hoeveel je uitgaf aan online advertenties, in kolom B hoeveel omzet je die week maakte. Linear regression trekt een rechte lijn door die punten, zodat je kunt schatten: "Als ik volgende week €500 uitgeef, hoeveel omzet verwacht ik dan?"

De techniek heet 'linear' omdat het om een rechte lijn gaat (geen bochten of krullen), en 'regression' omdat je een continu getal probeert te voorspellen (geen ja/nee-antwoord).

Hoe werkt het?

De computer probeert de lijn te vinden die het minste verschil heeft tussen de echte datapunten en de punten op de lijn zelf. Wiskundig gezien zoekt hij de lijn met de kleinste som van alle fouten in het kwadraat — maar dat hoef je niet te onthouden.

Denk aan het zo: je hebt een elastiek en je spant dat zo tussen de punten dat het zo weinig mogelijk onder spanning staat. De formule die eruit rolt is vrij eenvoudig: y = a × x + b. De 'a' is de helling (hoeveel omzet groeit per euro advertentie), de 'b' is het startpunt (wat zou je verkopen zonder advertenties).

De kracht zit in de eenvoud: je kunt het resultaat makkelijk uitleggen aan je baas of investeerder. "Voor elke euro extra advertentie verwachten we 3 euro extra omzet."

Wanneer gebruik je het?

Linear regression past goed als je vermoedt dat er een min of meer rechte relatie is tussen twee dingen:

• Prijzen schatten: vierkante meters en huizenprijzen, kilometers en tweedehands autoprijs

• Vraag voorspellen: temperatuur en ijsverkoop, advertentie-uitgaven en websitebezoek

• Trends zien: ervaring in jaren en salaris, leeftijd en bloeddruk

Het werkt minder goed als de relatie gekromd is, of als er veel ruis in je data zit. Dan heb je andere machine learning-methoden nodig, zoals decision trees of neural networks.

Een voorbeeld uit de praktijk

Een lokale bakker wil weten hoeveel broden hij moet bakken op basis van de weersverwachting. Hij heeft data van een half jaar: buitentemperatuur en aantal verkochte broden. Met linear regression trekt hij een lijn door die punten en ontdekt: per graad warmer verkoopt hij gemiddeld 4 broden minder (mensen lunchen eerder buiten, kopen minder brood voor thuis).

Nu kan hij elke ochtend de weerapp checken en zijn productie beter afstemmen — minder verspilling, minder tekorten.

Waar kom je het tegen?

Linear regression is ingebakken in veel tools die je dagelijks gebruikt:

• Excel en Google Sheets hebben trendlijnen die je met één klik door je grafiek kunt trekken

• Google Analytics gebruikt het om toekomstige traffic te voorspellen

• Power BI en Tableau bieden het als standaard visualisatie-optie

• Python-bibliotheken zoals scikit-learn hebben het als basismodel (vaak het eerste wat data scientists proberen)

• AutoML-platforms (Google AutoML Tables, Azure ML) beginnen vaak met linear regression als benchmark

In hedendaagse AI-discussies komt linear regression minder prominent voor omdat mensen het over complexere modellen hebben — maar het blijft de ruggengraat van veel voorspellende systemen in bedrijven.

Wat kun je er nu mee?

Als je een spreadsheet hebt met twee kolommen die mogelijk samenhangen, kun je vandaag nog beginnen. Open Excel of Sheets, maak een grafiek, voeg een trendlijn toe — dat is linear regression in actie. Je ziet meteen of er een patroon zit in je data.

Het is ook een uitstekende manier om te leren hoe machine learning werkt: de logica is helder, de wiskunde overzichtelijk, en het resultaat direct toepasbaar. Veel online cursussen beginnen hier, omdat je zonder ingewikkelde code al waardevolle inzichten kunt halen uit je eigen bedrijfsdata.