文章目录
相关文章:
监督学习 | 线性回归 之多元线性回归原理及Sklearn实现
监督学习 | 线性回归 之正则线性模型原理及Sklearn实现
监督学习 | 线性分类 之Logistic回归原理及Sklearn实现
1. 多项式回归
对于非线性数据,也可以用线性模型来拟合。一个简单的方法就是将每个特征的幂次方添加为一个新特征,然后在这个拓展多的特征集上训练线性模型。这种方法被称为多项式回归
。
回归模型
(1) y i = β 0 + β 1 x i + β 2 x i 2 + ε i y_i=\beta_0+\beta_1x_i+\beta_2x_i^2+\varepsilon_i \tag{1} yi=β0+β1xi+β2xi2+εi(1)
称为一元二阶
(或一元二次)多项式模型,其中, i = 1 , 2 , ⋯   , n i=1,2,\cdots,n i=1,2,⋯,n。
为了反应回归系数所对应的自变量次数,我们通常将多项式回归模型中的系数表示称下面模型中的情形:
(2) y i = β 0 + β 1 x i + β 11 x i 2 + ε i y_i=\beta_0+\beta_1x_i+\beta_{11}x_i^2+\varepsilon_i \tag{2} yi=