在这个图中,p代表变量,代表整个模型的复杂度,水平曲线代表线性回归的MSE,曲线代表另外一种模型的ESE比如KNN,但可以看出在P=1的情况下。1/K的变化对平均方差MSE的影响并不大,但随着P的增大,1/K的变化对MSE的影响逐渐增大。同时线性回归的效果要优于KNN的。
当对比P值的时候会发现,P值较小的时候,MSE的变化范围并不明显,但当P值较大的时候,P值对MSE的影响就开始变大了。KNN的运行效果要比线性回归的效果更差。
同时也可以假设,如果P=1/p,其中p为显性程度,1/K代表样本量,则可以知道,均方误差会随着样本量的增加而增加,在显性程度较高时,即P教大时,p较小,我们会误差精确在非常小的范围,均方误差就会增大。当整体的量较小的时候,误差会小。最终,KNN的运行效果要差于线性回归。
当整体的变量较少的时候,KNN模型的效果要优于显性回归,但随着变量的增加,KNN的劣势就出来了,可能会造成模型的过拟合问题。在P=4的时候,两个模型的运行效果是相差不大的。
08-22
“相关推荐”对你有帮助么?
-
非常没帮助
-
没帮助
-
一般
-
有帮助
-
非常有帮助
提交