线性回归
amorfatilily
单向书店
展开
-
评估指标积累
线性回归模型验证参数:SSE(和方差,误差平方和)该统计参数计算的是拟合数据和原始数据对应点的误差的平方和,计算公式如下:其中,SSE越接近于0,说明模型拟合和选择更好,数据预测也越成功。MSE (均方差)该统计参数是预测数据和原始数据对应点误差的平方和的均值。也就是SSE/n。RMSE (均方根)该统计参数也称为回归系数的拟合标准差,是MSE的平方根,即(SSE/n)的1/2次方跟。R-square (确定系数)越接近于1越好,大于0.8就表示还不错。在介绍该指标之前,先介绍另外原创 2021-10-14 10:10:24 · 296 阅读 · 0 评论 -
线性回归与逻辑回归
什么是线性回归?线性回归—回归—监督学习—机器学习回归的目的是为了预测,回归之所以可以能预测是因为它通过大量历史数据总结出“套路”,然后利用这个“套路”来预测未来的结果。线性回归指的是变量之间符合线性关系,那么通过历史数据,摸清变量之间的“套路”,建立一个有效的模型,来预测未来的变量结果。优点:建模速度快,可解释性好;缺点:不能很好拟合非线性数据线性回归与逻辑回归线性回归解决分类问题,要求变量连续,符合线性关系,能够直观表达变量关系;逻辑回归解决分类问题,要求变量离散,可以不符合线性关原创 2021-03-17 21:30:59 · 308 阅读 · 0 评论