回归方程公式
线性回归可以理解为一个回归算法,我们可以结合线性回归算法来做预测值。这篇文章里,作者就总结了线性回归算法的基本原理、应用场景、优劣势等方面,一起来看看吧。
![](https://p0.ssl.img.360kuai.com/t01b35250c3375c56e0.jpg)
前两篇文章我们介绍了两个解决分类问题的算法:K近邻和朴素贝叶斯,今天我们一起来学习回归问题中最经典的线性回归(Linear Regression)算法。
一、基本原理
生活中,大家都排过队,我印象最深的应该是排队做核酸的队伍,前后间隔一米,随着做核酸的人越来越多,新来的人看到队伍,都会自动排到队伍的末尾,同样间隔一米,大家“齐心协力”排出了一条长线。
有了这条长线之后,我们就可以对新来的人排队的位置做出预测,这就是线性回归的基本逻辑。
所以线性回归算法的思路就是:根据已有的数据去寻找一条“直线”,让它尽可能的接近这些数据,再根据这条直线去预测新数据的结果。
那么具体要怎么找这条“直线”呢?初中数学里描述一条直线时,用的是一元一次方程:y=ax+b,这里的a表示直线的斜率,b表示截距,如下图所示:
![](https://p0.ssl.img.360kuai.com/t01e230685f98f732cc.jpg)
以排队为例,我们已知x是人的顺序,y是排的位置,将已有的x和y数据代入到公式中,可以得到一组合适a和b的值来描述这条直线,也就是我们找到了这条直线的分布。
排队的例子比较简单,只有一个x变量,在实际的应用中,会有很多个影响结果的变量,比如预测贷款额度时,会有工资、是否有房等变量,用线性回归的思路解决类似的问题,就要构建多元回归方程了,公式也就变成了 y = a1x1 + a2x2 + … + b。
当有两个变量时,线性回归的分布也就不是一条简单的直线了,而是一个平面,如下图所示:
![](https://p0.ssl.img.360kuai.com/t01dda68d216e4588bb.jpg)
如果有更多的变量,分布就是一个超平面,找到它的分布也会变得更复杂。
二、如何计算最优解
如果每个人的站位(实际值)距离理想站位(预测值)的距离(误差)最小,那就说明我们得到的线性回归分布是最优解。
机器学习中,评价模型的预测值和实际值差异的公式叫做损失函数,损失函数值越小,模型性能越好。
平方残差和就是一种场景的损失函数,其计算公式为 loss=SUM(真实值-预测值)²,就是把每个节点的预测差求平方再求和,前面回归模型评估的文章里提到的MSE就是平方残差和除以样本数量。
三、应用场景
线性回归的应用场景非常广泛,只要数据是符合线性分布的,理论上都可以用线性回归来进行预测:
- 预测房价:通过分析房屋特征(如面积、位置、房间数量等)与价格之间的关系。
- 预测员工绩效:通过分析员工的教育背景、工作经验、培训等因素与绩效之间的关系。
- 营销分析:分析市场调研数据,预测产品销售量,并确定哪些因素对销售量有显著影响。
- 交通规划:预测交通流量,通过分析道路特征、人口密度等因素与交通流量之间的关系。
- 环境科学:分析环境数据,如气候变化、污染物排放等因素与生态系统的影响。
四、优缺点
线性回归算法的优点:
- 简单而直观:易于理解和解释,适用于初学者入门。
- 计算效率高:计算速度较快,适用于大规模数据集。
- 可解释性强:可以提供每个特征对目标变量的影响程度,有助于理解变量之间的关系。
- 可扩展性强:可以通过添加交互项、多项式特征等进行扩展,以适应更复杂的数据模式。
线性回归算法的缺点:
- 仅适用于线性关系:线性回归假设自变量与因变量之间存在线性关系,对于非线性关系的数据拟合效果较差。
- 对异常值敏感:线性回归对异常值较为敏感,异常值的存在可能会对模型的拟合产生较大影响。
- 忽略了特征之间的复杂关系:线性回归无法捕捉到特征之间的非线性、交互作用等复杂关系。
- 对多重共线性敏感:当自变量之间存在高度相关性时,线性回归模型的稳定性和可靠性可能会受到影响。
五、总结
本文我们介绍了线性回归算法的原理、应用场景和优缺点,线性回归是一个回归算法,常用来做预测值,和之前介绍的分类模型的输出是有区别的,需要注意一下。
下篇文章,我们来聊一聊逻辑回归算法,敬请期待。
本文由 @AI小当家 原创发布于人人都是产品经理,未经许可,禁止转载
题图来自 Unsplash,基于 CC0 协议
该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
","gnid":"986e0d62b5c4aaf5e","img_data":[{"flag":2,"img":[{"desc":"","height":"420","title":"","url":"https://p0.ssl.img.360kuai.com/t01b35250c3375c56e0.jpg","width":"900"},{"desc":"","height":"710","title":"","url":"https://p0.ssl.img.360kuai.com/t01e230685f98f732cc.jpg","width":"1323"},{"desc":"","height":"783","title":"","url":"https://p0.ssl.img.360kuai.com/t01dda68d216e4588bb.jpg","width":"720"}]}],"original":0,"pat":"art_src_3,sexf,sex4,sexc,fts0,sts0","powerby":"pika","pub_time":1705890180000,"pure":"","rawurl":"http://zm.news.so.com/f1804ee21bcc84664ec444b1a1980982","redirect":0,"rptid":"6c6c54f1e1479e00","rss_ext":[],"s":"t","src":"人人都是产品经理","tag":[],"title":"线性回归算法:用“线性外推”的思路做预测
伊莲凝2003回归方程公式的详解,到底怎么算啊,拜求! -
廖德环19443996317 ______[答案] ...x 还知道把= = 例如 西安大雁塔高64米,比小雁塔高度的2倍少22米 设小雁塔的高x米.2x-22=64 2x=64+22 x=43 这是小学... 80x=1200*2 80x=2400 x=30 = = 我已经换过单位了= = 我在写作业,挂在百度,顺便看下= = x是未知数.方程是解x.希望对你有...
伊莲凝2003线性回归方程a b公式推导公式in addition. -
廖德环19443996317 ______[答案] 和式号(音译:西格马)以“∑”来表示和式号(Sign of summation)是欧拉(1707-1783)於1755年首先使用的,这个符号是源于希腊文(增加)的字头,“∑”正是σ的大写.示例:∑An=A1+A2+...+An∑是数列求和的简记号,...
伊莲凝2003回归平方和计算公式
廖德环19443996317 ______ 回归平方和计算公式:R^2=SSR/SST=1-SSE/SST,回归平方和ESS(Explained Sum of Squares)是因变量回归值ŷ-因变量平均值y的离差平方和,数值上=∑(ŷ-ȳ)2,也称为解释平方和.用回归方程或回归线来描述变量之间的统计关系时,实验值yi与按回归线预测的值ŷ并不一定完全一致.ESS越大说明多元线性回归线对样本观测值的拟合情况越好.
伊莲凝2003回归方程公式 -
廖德环19443996317 ______ 先这么看:y=-1.5x+2 a=2, b=-1.5 现在要知道b的意义是:1.代表斜率*2.当变量x每增加一个单位时,y就平均增加b个单位,在这里,y就将平均增加-1.5个单位.(特别注意:因为这里是负一点五,所以就相当于减少了1.5个单位,如果是正数的话,那就说是增加了.) 这样解释能不能懂啊?不懂再问吧.
伊莲凝2003一元线性回归方程公式的公式以及ab怎么求 -
廖德环19443996317 ______[答案] 建议你先到 http://baike.baidu.com/view/954762.htm 这个地方看一下.b的计算有两个公式,计算结果相同.(不过,我更喜欢使用 △(即差值)计算的那个公式).回归流程 我 通常这样进行:1)由所给出的系列值分别计算两...
伊莲凝2003回归方程公式中的b=∑(xi - X)(yi - Y)/∑(xi - X)^2怎么化简成∑(xiyi - nXY) -
廖德环19443996317 ______[答案] 这只是分子∑(xi-X)(yi-Y)可以化简成:∑(xiyi)-nXY 如下: ∑(xi-X)(yi-Y) =∑(xiyi-xiY-Xyi+XY) =∑(xiyi)-Y∑xi-X∑yi+∑XY =∑(xiyi)-Y*nX-X*nY+nXY =∑(xiyi)-nXY
伊莲凝2003高中数学的回归线方程是什么怎么求的 -
廖德环19443996317 ______ 回归方程是根据样本资料通过回归分析所得到的反映一个变量(因变量)对另一个或一组变量(自变量)的回归关系的数学表达式.回归直线方程用得比较多,可以用最小二乘法求回归直线方程中的a,b,从而得到回归直线方程. 回归线方程公式是: b=((x1+x2+...+xi)(y1+y2+..+yi)-nxy)/(x1^2+x2^2+...+xi^2-n*(x^2)) a=y-bx x,y为平均数
伊莲凝2003回归方程xi怎么求
廖德环19443996317 ______ 回归方程的xi是已知的各个数据,不用求,把题目所有的数据代入即可.回归方程是根据样本资料通过回归分析所得到的反映一个变量(因变量)对另一个或一组变量(自变量)的回归关系的数学表达式.回归直线方程用得比较多,可以用最小二乘法求回归直线方程中的a,b,从而得到回归直线方程.
伊莲凝2003回归方程中a,b怎么求 -
廖德环19443996317 ______ 回归直线的求法 最小二乘法: 总离差不能用n个离差之和 来表示,通常是用离差的平方和,即 作为总离差,并使之达到最小,这样回归直线就是所有直线中Q取最小值的那一条,这种使“离差平方和最小”的方法,叫做最小二乘法: 由于绝对值使得计算不变,在实际应用中人们更喜欢用:Q=(y1-bx1-a)²+(y2-bx-a²)+...+(yn-bxn-a)² 这样,问题就归结于:当a,b取什么值时Q最小,即到点直线y=bx+a的“整体距离”最小. 用最小二乘法求回归直线方程中的a,b有下面的公式:
伊莲凝2003线性回归方程公式 怎么证明? -
廖德环19443996317 ______ 举个最简单的例子 回归方程: y=ax+b (1) a,b未知,要用观测数据(x1,x2,...,xn和y1,y2,...,yn)确定之. 为此构造 Q(a,b)=Σ(i=1->n)[yi-(axi+b)]^2 (2) 使(2)取极小值:令 ∂Q/∂a= 2Σ(i=1->n)[yi-(axi+b)](-xi)= 0 (3) ∂Q/∂b= 2Σ(i=1->n)[yi-(axi+b)] = 0 (4) 根据(3)、(4)解出a ,b就确定了回归方程(1).