机器学习第2周---炼数成金-----线性回归与Logistic

重点归纳

回归分析就是利用样本（已知数据），产生拟合方程，从而（对未知数据）迚行预测
用途：预测，判别合理性
例子：利用身高预测体重；利用广告费用预测商品销售额；等等.
线性回归分析：一元线性；多元线性；广义线性
非线性回归分析
困难：选定变量（多元），避免多重共线性，观察拟合方程，避免过度拟合，检验模型是否合理

相关系数

 

一元线性回归模型

如何确定参数

使用平方误差和衡量预测值不真实值的差距
平方误差真实值y，预测值，则平方误差就是
寻找合适的参数，使得平方误差和最小。

 

最小二乘法：

RSS其实是关于α不β的函数，分别对α不β求偏导并令偏导等于0，就可以得出α不β的值

 

由于总体未知，采用样本值估计：

 

 

一元线性回归分析

 

多元线性回归模型

多元线性回归的核心问题：应该选择哪些变量？
一个非典型例子（薛毅书p325)
RSS（残差平方和）与R2（相关系数平方）选择法：遍历所有可能的组合，选出使RSS最小，R2最大的模型
AIC（Akaike information criterion）准则不BIC（Bayesian information criterion）准则
AIC=n ln (RSSp/n)+2p
n为变量总个数，p为选出的变量个数，AIC越小越好

逐步回归
向前引入法：从一元回归开始，逐步增加变量，使指标值达到最优为止
向后剔除法：从全变量回归方程开始，逐步删去某个变量，使指标值达到最优为止
逐步筛选法：综合上述两种方法

 

广义线性模型

Logit变换

、

常见连接函数不逆连接函数

 

转载于:https://www.cnblogs.com/hellochennan/p/5424879.html