监督学习之回归方式训练(Regression)和评估模型-CSDN博客

在上一节中，我们介绍了 机器学习的分类，其中 回归 (Regression) 是一种用于 预测数值数据 的方法。本节介绍 回归模型的训练与评估。

训练回归模型

1.1 数据拆分

在训练回归模型时，我们通常将数据拆分为：

**训练数据 (Training Data)**：用于训练模型，学习 温度和销量的关系
**验证数据 (Validation Data)**：用于测试模型，评估预测效果

以下是完整的数据集：

温度 (x)	冰淇淋销量 (y)
51	1
52	0
67	14
65	14
70	23
69	20
72	23
75	26
73	22
81	30
78	26
83	36

训练数据集 (用于训练模型)：

温度 (x)	冰淇淋销量 (y)
51	1
65	14
69	20
72	23
75	26
81	30

验证数据集 (用于测试模型)：

温度 (x)	冰淇淋销量 (y)
52	0
67	14
70	23
73	22
78	26
83	36

1.2 训练过程

我们使用 线性回归 (Linear Regression) ，找到一条 直线公式 来表达 温度和销量的关系：

公式解释：

当温度为 50°F，销量为 0 🍦
温度每升高 5°F，销量增加 5 份 ✅
例如：明天温度 77°F，预计销量：预计卖出 27 份冰淇淋

训练数据散点图 (拟合出的回归直线)

评估回归模型

2.1 预测 vs. 真实数据

使用 验证数据 来测试模型：

温度 (x)	实际销量 (y)	预测销量 (ŷ)
52°F	0	2
67°F	14	17
70°F	23	20
73°F	22	23
78°F	26	28
83°F	36	33

可以看到，预测值不完全等于实际值，存在误差。

实际销量 vs. 预测销量对比图

计算误差 (Model Error Metrics)

为了衡量模型的好坏，我们计算几个常用的误差指标：

3.1 平均绝对误差 (MAE, Mean Absolute Error)

计算公式：

示例：

误差值：2、3、3、1、2、3
计算平均误差：

3.2 均方误差 (MSE, Mean Squared Error)

计算公式：

示例：

误差平方值：4、9、9、1、4、9
计算平均误差：

3.3 均方根误差 (RMSE, Root Mean Squared Error)

计算公式：

示例：

计算 🍦（与销量单位相同）

3.4 决定系数 (R², R-Squared)

计算公式：

解释：

取值范围 0 ~ 1，越接近 1 说明模型预测越准确 📈
示例中，冰淇淋回归模型的 R² = 0.95，表示 95% 变量可解释 ✅

如何优化回归模型？

优化方法：增加更多特征：如 天气、假日、促销 等因素 📊
尝试不同算法：如 多项式回归 (Polynomial Regression)、决策树回归 (Decision Tree Regression) 🌳
调整模型超参数：改变学习率、正则化参数，优化模型表现 🎛