回归模型

最新推荐文章于 2024-05-14 18:39:54 发布

BLvren_

最新推荐文章于 2024-05-14 18:39:54 发布

阅读量569

点赞数

分类专栏：机器学习数据挖掘算法数据分析方法

本文链接：https://blog.csdn.net/BLvren_/article/details/88421609

版权

7 篇文章 0 订阅

订阅专栏

1 篇文章 0 订阅

订阅专栏

1 篇文章 0 订阅

订阅专栏

“回归”是由英国著名生物学家兼统计学家高尔顿(Galton)在研究人类遗传问题时提出来的。为了研究父代与子代身高的关系, 高尔顿搜集了1078对父亲及其儿子的身高数据。他发现这些数据的散点图大致呈直线状态，且发现了一个很有趣的现象—回归效应，即人类身高的分布相对稳定，不产生两极分化。（回归---返祖）

回归分析（regression analysis）是基于观测数据建立变量间适当的依赖关系，以分析数据的内在规律，并可用于预报、控制等问题，是使应用及其广泛的数据分析方法之一。

回归分析考虑建立可观测的因素变量 $(x_{1},x_{2},\cdots,x_{p})$ 与变量 $y$ (因变量)之间的确定性或不确定性关系，即：
$Y=f(x_{1},x_{2},\cdots,x_{p})+\varepsilon \; \; \; \; \; \; \; \; \; \; \; \; \; \; \; \; \; \; \: \;\; (1)$
$y=E(Y)=f(x_{1},x_{2},\cdots,x_{p})\; \; \; \; \; \; \; \; \; \; \; \; \; \; (2)$
其中 $\varepsilon$ , $Y$ 是随机变量， $\varepsilon \sim N(0,\sigma ^{2})$ 。
因变量 $Y$ 的变化可由两部分解释：第一，由自变量引起的变化 $f(x_{1},x_{2},\cdots,x_{p})$ ，第二，由其他随即因素引起的变化 $\varepsilon$ 。
学习得回归模型，就是要建立起适当的 $f(x_{1},x_{2},\cdots,x_{p})$ 来解释因变量 $Y$ 的变化，并且要使不可解释的变化 $\varepsilon$ 尽可能小。

（链接待补充）

关注