经验回归方程公式ab算法
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
尹蕊贩1029最小二乘法 -
柯叙若17846025869 ______ 最小二乘法是一种数学优化技术;它通过最小化误差的平方和寻找数据的最佳函数匹配.
尹蕊贩1029一元线性回归方程的系数怎么计算 -
柯叙若17846025869 ______ 回归分析就是将所关心的抄特性的性能与潜在的原因联系起来.一元回归是处理2个变量x和y之间的关系,假如2个变量之间的关系是线性的,就称为一元线性回归,一元线性回归就是要建立y=a+bx方程,该方程称为y对x的回归方程.一元线2113...
尹蕊贩1029如何计算和运用直线回归方程? -
柯叙若17846025869 ______ 假设已知的x,y数据在a2:b51 要计算x=a时回归直线的y值 打入公式=FORECAST(a,b2:b51,a2:a51) 即得结果
尹蕊贩1029回归平方和计算公式
柯叙若17846025869 ______ 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.
尹蕊贩1029计量经济学中,样本回归拟合值是怎么得到的 -
柯叙若17846025869 ______ 就是y的估计值
尹蕊贩1029如何运用excel计算两个变量回归方程 -
柯叙若17846025869 ______ 下面是我根据我的本科论文改写的.Excel的统计分析功能集中于数据选项卡中的“数据分析”这一工具中,由于Excel的标准安装并不安装数据分析这一功能,首先应该选择“开发工具”——“加载项”,在出现的加载宏对话框中选择“分析工...
尹蕊贩1029非线性参数回归,有方程咋求a,b,N
柯叙若17846025869 ______ 程序如下,但是不收敛,你最好检查一下你的表达式对不对. 在Matlab下输入:edit,然后将下面两行百分号之间的内容,复制进去,保存 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function y...