Python数据分析与挖掘实战第五章笔记之回归分析

#分类与预测：
# 分类：是一个构造分类模型，输入样本的属性值，输出对应的类别，将每个样本映射到先定义好的类别；分类模型建立在已有类标记的数据集上，模型在已有样本上的准确率可以方便计算。
# 分类两步：第一步是学习步，通过归纳分析训练样本集哎加你分诶模型得到分类规则；第二步是分类不，先用一直的测试样本集评估分类规则的准确率，如果准确率可以接受，则使用该模型对未知类标号的待测样本集进行预测。
# 预测：是指建立两种或梁总以上变量间相互依赖的函数模型，然后进行预测或控制。
# 预测两步：第一步是通过训练集建立预测属性的函数模型，第二步在模型通过检验后进行预测或控制。
# 常用的分类与回归算法：
# 1、回归分析：通过加你模型来研究变量之间相互关系的密切程度，结构状态及进行模型预测的一种有效工具。回归分析研究内容包括：
# 线性回归（一元线性回归，多元线性回归，多个自变量与多个因变量的回归）；
# 回归诊断（如何从数据推断回归模型基本假设的合理性，基本假设不成立时如何对数据进行修正，判断回归方程拟合的效果，选择回归函数的形式）
# 回归变量选择（自变量选择的标准，逐步回归分析法）
# 参数估计方法改进（偏最小二乘回归，岭回归，主成分回归）
#