回归算法-线性回归分析、回归实例和回归性能评估
- 回归:目标值连续;分类:目标值离散。
预测回归和分类是不一样的。回归问题可以用于预测销售额,比如公司的收入、广告可以影响会对销售额进行预测。 - 举个例子:
期末成绩:0.7×考试成绩+0.3×平时成绩
西瓜好坏:0.2×色泽+0.5×根蒂+0.3×敲声
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.scatter([60,72,75,80,83],[126,151.2,157.5,168,174.3])
plt.show()
横坐标为面积;纵坐标为价格 分布关系为直线,预测按其趋势预测就ok。
线性回归就是寻找一种能预测的趋势。
以上就是一种线性关系。二维:直线。三维:特征与目标值在一个平面上。
线性回归
- 定义:线性回归通过一个或者多个自变量与因变量之间之间进行建模的回归分析。其中特点为一个或多个称为回归系数的模型参数的线性组合
一元线性回归:涉及到的变量只有一个
多元线性回归:涉及到的变量两个或两个以上
w为权重,b为偏置 - 通用公式:
回归和神经网络都是迭代的算法。