深度学习基础06---多元回归分析（上）

1.与简单线性回归区别（simple linear regression)
多元回归具有多个变量 x，简单回归只有一个自变量
2.多元回归模型

其中：β0，β1，β2…βp是参数，e为误差
3.多元回归方程

4.估计多元回归方程

一个样本被用来计算${\beta }_0,{\beta }_1,{\beta }_2...{\beta }_p$的点估计$b_0,b_1,b_2...b_p$
5.估计流程（与简单线性回归类似）

如图所示，跟简单线性回归的流程基本类似，这里就不详絮了。
6.估计方法
目标：使 sum of squares 最小

运算与简单线性回归类似，涉及到线性代数和矩阵代数的运算
7.例子
一家快递公司送货：X1：运输里程；X2：运输次数；Y：总运输时间
想探究一下，总运输时间和运输里程与运输次数之间的关系
基本数据如下：

可以得到以下方程：
Time=b0+b1Miles+b2Deliveries
这里我们就不手动算出来了，直接用Python计算得出：
Time=-0.869+0.0611 Miles+0.923 Deliveries
8.描述参数含义
b0：平均每多运送一英里，运输时间延长0.0611小时
b1：平均每多一次运输，运输时间延长0.923小时
9.预测
如果一个运输任务是跑102英里，运输6次，预计要运输多少小时？
代入我们的公式;
Time=-0.869+0.0611102+0.9236=10.9(小时）
10.如果自变量中有分类型变量（categorical data），如何处理？

对于因变量y而言，它的值必须是数值型的；但是对于自变量x，我们既可以使用数值型也可以使用类别型数据，下篇文章再具体介绍一下怎样解决这种类型的数据
11.关于误差的分布
误差e是一个随机变量，均值为0；e的方差对于所有自变量来说相等，所有e的值是独立的，e满足正态分布，并且通过${\beta }_0+{\beta }_1{x}_1+{\beta }_2{x}_2+...+{\beta }_p{x}_p$反映y的期望值

OK，基本信息就这些了