回归分析详解:一文说清回归、线性回归、非线性回归、Logistic回归
文章大纲
-
回归分析是什么?
-
回归、线性回归、非线性回归、Logistic回归的不同?
-
实际的应用例子与python代码实现
回归分析是什么?
回归分析是一种统计分析方法,用于预测一个连续变量与一个或多个其他变量之间的关系。回归分析通过建立模型来预测因变量(被预测变量)与自变量(预测变量)之间的关系,从而预测因变量的值。回归分析有多种形式,包括线性回归、非线性回归、Logistic回归等。
回归、线性回归、非线性回归、Logistic回归的不同?
回归:是一种统计分析方法,用于预测一个连续变量与一个或多个其他变量之间的关系。
线性回归:是回归分析的一种,假设因变量与自变量之间存在线性关系,即因变量与自变量的关系可以用一条直线来描述。
非线性回归:是回归分析的一种,假设因变量与自变量之间不存在线性关系,即因变量与自变量的关系不能用一条直线来描述,需要用更复杂的函数模型来描述。
Logisic回归:是回归分析的一种,专门用于预测二元分类结果(例如,预测一个人是否患有疾病),而不是连续变量。该模型建立在Sigmoid函数基础上,该函数可以将任意实数值映射到0~1范围内,表示某个事件的概率。
实际例子解释不同回归方法的应用场景
• 线性回归:该方法假设因变量和自变量之间存在线性关系。它最常见的应用场景是预测数值型变量,如预测房价根据面积、房龄等因素。
• 非线性回归:该方法假设因变量和自变量之间不存在线性关系,而是存在非线性关系。假如我们希望预测某商家的销售额,我们可以使用非线性回归分析,并通过分析广告费用、宣传渠道、季节等因素与销售额之间的关系,从而预测出销售额的变化趋势。非线性回归的模型可以更好地捕捉复杂的非线性关系,并对预测结果产生更大的影响。
• Logistic回归:常常用于二元分类问题,例如:预测某个用户是否会购买某种商品,或预测某个患者是否患有某种疾病。我们可以利用Logistic回归分析不同的因素,如年龄、性别、收入水平等,并预测其对购买行为或疾病状况的影响,从而得出预测结果。
转自:https://www.jianshu.com/p/560bfa6eb5cd