《深度学习》笔记

回归分析方法

1.线性回归

        线性回归就像是找到一条最合适的直线，来描述两个变量之间的关系。通过这条直线，我们可以根据已知的数据预测未知的数据。比如，如果我们知道一个人的学习时间和考试成绩之间的关系，我们可以用线性回归来预测一个人在花费特定时间学习后可能获得的成绩。这种方法帮助我们理解和预测数据之间的趋势，为未来做出合理的推断和决策。

以下是线性回归计算公式

现实生活中线性回归可以用来预测许多事情比如：

1. 房价预测： 我们可以使用线性回归来预测房屋价格与各种因素之间的关系。比如，房屋的面积、地理位置、周围环境等因素都可以作为自变量，而房价则是因变量。通过收集大量房屋销售数据，可以建立一个线性回归模型，以预测不同属性的房屋可能的售价。

2. 销售预测： 在市场营销领域，线性回归常常用于预测销售额与广告投入、促销活动、季节性因素等之间的关系。这有助于企业制定营销策略和预测销售业绩。

3. 医学研究： 在医学研究中，线性回归可以用来分析药物剂量与治疗效果、疾病发展趋势等之间的关系，从而帮助医生做出更准确的治疗决策。

4. 经济预测： 经济学家经常使用线性回归来分析国民生产总值（GDP）、失业率、通货膨胀率等经济指标之间的相关性，以预测未来的经济发展趋势。

5. 股票价格预测： 分析师可以使用线性回归来探索股票价格与公司财务数据、行业发展情况等因素之间的关系，从而预测股票价格的走势。

以下是代码示例：

import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 创建一组示例数据
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1) # 自变量
y = np.array([2, 4, 5, 4, 5]) # 因变量

# 创建线性回归模型
model = LinearRegression()

# 拟合数据
model.fit(X, y)

# 预测
y_pred = model.predict(X)

# 可视化结果
plt.scatter(X, y, color='blue')
plt.plot(X, y_pred, color='red', linewidth=2)
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression Example')
plt.show()

        在这段代码中，我们首先创建了一组简单的示例数据，然后使用 LinearRegression 模型从 sklearn 库中创建了一个线性回归模型。接着，我们用示例数据进行拟合，然后利用模型对数据进行预测。最后，通过可视化展示了原始数据点和线性回归模型的拟合直线。你可以运行这段代码，并根据实际情况修改数据和参数，来进一步理解线性回归的应用和效果。

2.逻辑回归

        

逻辑回归是一种用于处理分类问题的机器学习算法，它不同于线性回归，而是用来预测某个事物属于某个类别的概率。尽管名字中带有"回归"，但实际上逻辑回归是一种分类算法。

举个例子，假设我们要根据学生的学习时间来预测他们是否通过了考试。逻辑回归可以帮助我们计算出学习时间与通过考试的概率之间的关系，从而判断某个学生是否会通过考试。在这个过程中，逻辑回归会输出一个介于0和1之间的概率值，表示某个样本属于某个类别的可能性有多大。

        逻辑回归在平常看的抖音快手之类短视频中发挥了巨大作用，抖音快手，可以收集用户的观看历史、点赞次数、评论情况等特征作为输入，经过逻辑回归模型的计算后，得到用户喜欢某个视频的概率。这样抖音就可以根据用户的兴趣特征，向其推荐更符合其兴趣的视频内容，提高用户留存和活跃度。（例如：苟同学刚刚下载抖音就多点赞美女跳舞视频，这样以后苟同学的这个抖音账号美女跳舞的视频刷到的概率就大大提升了）

以下是代码示例：

import numpy as np
from sklearn.linear_model import LogisticRegression

# 创建一些示例数据
X = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]])
y = np.array([0, 0, 1, 1, 1])

# 初始化逻辑回归模型
model = LogisticRegression()

# 使用示例数据拟合模型
model.fit(X, y)

# 创建一个新样本进行预测
new_sample = np.array([[3.5, 4.5]])
prediction = model.predict(new_sample)
print("预测结果:", prediction)

在这段代码中，首先导入了必要的库，然后创建了一些示例数据 X 和对应的标签 y。接着初始化了一个逻辑回归模型，并使用示例数据进行训练。最后，创建了一个新的样本 new_sample，并用训练好的模型进行预测。

当你运行这段代码时，它会输出新样本的预测结果，根据训练好的逻辑回归模型判断该样本属于哪一类别。