回归基础整理

一、基础

1.1标准误与标准差

https://zhidao.baidu.com/question/373404626.html
https://www.youtube.com/watch?v=3L9ZMdzJyyI （讲解bse的由来）

1.2回归标准差

https://www.51dongshi.com/eedfgbsdrgr.html
https://blog.csdn.net/weixin_39861669/article/details/110216635?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-110216635-blog-110216633.pc_relevant_multi_platform_whitelistv4&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-110216635-blog-110216633.pc_relevant_multi_platform_whitelistv4&utm_relevant_index=1 （回归系数的标准差）
https://www.statsmodels.org/dev/generated/statsmodels.regression.linear_model.OLSResults.bse.html

1.3分布函数与密度函数

分布函数和密度函数的关系：已知连续型随机变量的密度函数，可以通过讨论及定积分的计算求出其分布函数。

二、模型

2.1 逻辑斯蒂回归

2.2 鲁棒线性回归

鲁棒线性回归去噪的模型定义为如下形式：
$$\underset{\omega ,\sigma }{\min }\sum _{i=1}^n\left(\sigma +H_{\epsilon }\left(\frac{x\omega -y_i}{\sigma }\right)\sigma \right)+\alpha \Vert \omega {\Vert }_2^2$$
$$H_{\epsilon }(z)\{\begin{array}{cc}{z}^2,& |z|<\epsilon \\ |z|\epsilon -\frac{1}{2}{\epsilon }^2,& |z|\ge \epsilon \end{array}$$
其中$\sigma$ 和$\omega$表示被优化的参数，$\alpha$表示正则化参数，$\epsilon$ 表示阈值。当$|z|<\epsilon$ 时使用平方损失，否则说明距离较大，视为异常值使用绝对值损失。避免噪声对数据的影响，更利于数据曲线的拟合。

https://zhuanlan.zhihu.com/p/374101696
https://zhuanlan.zhihu.com/p/435519152
https://www.zhihu.com/question/62127796
https://blog.csdn.net/qq_37353105/article/details/80640591
https://developer.nvidia.com/zh-cn/blog/dealing-with-outliers-using-three-robust-linear-regression-models/
http://www.manongjc.com/detail/31-xuyuypiditnvvqa.html(sklearn实现)

2.3局部加权线性回归

https://blog.csdn.net/qq_54434938/article/details/124070560

三、线性回归

多重线性回归模型。

四、参考资料

4.1 参考代码

https://github.com/liuslnlp/plume/blob/master/plume/utils.py