机器学习算法 |
您所在的位置：网站首页 › 线性回归模型应用实例 › 机器学习算法 |
机器学习算法
|
文章目录
线性回归学习目标
2.1 线性回归简介学习目标1 线性回归应用场景2 什么是线性回归2.1 定义与公式2.2 线性回归的特征与目标的关系分析
3 小结
线性回归
学习目标
掌握线性回归的实现过程应用LinearRegression或SGDRegressor实现回归预测知道回归算法的评估标准及其公式知道过拟合与欠拟合的原因以及解决方法知道岭回归的原理及与线性回归的不同之处应用Ridge实现回归预测应用joblib实现模型的保存与加载 线性回归简介 | 机器学习算法课程定位、目标
2.1 线性回归简介
学习目标
了解线性回归的应用场景知道线性回归的定义
1 线性回归应用场景
房价预测 销售额度预测 贷款额度预测 举例：
线性回归(Linear regression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。 特点：只有一个自变量的情况称为单变量回归，多于一个自变量情况的叫做多元回归
那么怎么理解呢？我们来看几个例子 期末成绩：0.7×考试成绩+0.3×平时成绩房子价格 = 0.02×中心区域的距离 + 0.04×城市一氧化氮浓度 + (-0.12×自住房平均房价) + 0.254×城镇犯罪率上面两个例子，我们看到特征值与目标值之间建立了一个关系，这个关系可以理解为线性模型。 2.2 线性回归的特征与目标的关系分析线性回归当中主要有两种模型，**一种是线性关系，另一种是非线性关系。**在这里我们只能画一个平面更好去理解，所以都用单个特征或两个特征举例子。 线性关系 单变量线性关系：
注释：单特征与目标值的关系呈直线关系，或者两个特征与目标值呈现平面的关系 更高维度的我们不用自己去想，记住这种关系即可 非线性关系
注释：为什么会这样的关系呢？原因是什么？ 如果是非线性关系，那么回归方程可以理解为： w1x1+w2x22+w3x32w_1x_1+w_2x_22+w_3x_32w1x1+w2x22+w3x32 3 小结 线性回归的定义【了解】 利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式 线性回归的分类【知道】 线性关系非线性关系 |
* 多变量线性关系
【本文地址】
今日新闻 |
推荐新闻 |