预测分析:R语言实现2.3 多元线性回归
2.3 多元线性回归 只要有多于一个输入特征,并且要构建一个线性回归模型,我们就处于多元线性回归的领域了。具有k个输入特征的多元线性回归模型的一般方程如下所示: y=kxk+k-1xk-1+…+1x1+0+ 关于模型和误差分量的假设还是和简单线性回归的一样,记住,因为现在有了超过1个的输入特征,我们假设它们是相互独立的。我们在讲解多元线性回归时不会再使用模拟数据,而是要分析两套实际环境下的数据.....
预测分析:R语言实现2.2 简单线性回归
2.2 简单线性回归 在着眼于某些真实环境的数据集之前,尝试在人造数据上训练模型是非常有帮助的。在这样的人造场景里,我们事先就知道了实际输出函数是什么,而这对于真实环境的数据来说通常是不成立的。进行这种练习的好处是,它会让我们对自己的模型在所有假设都完全成立的理想场景下的工作情况有清楚的了解,而且它有助于对具备理想的线性拟合时发生的情况进行可视化。我们先模拟一个简单线性回归模型。后面的R语言代.....
预测分析:R语言实现2.1 线性回归入门
线 性 回 归 我们从第1章了解到回归问题会预测一个数值型的输出。最简单和最常见的回归类型就是线性回归。本章要探讨为什么线性回归如此常用,以及它的局限性和扩展问题。 2.1 线性回归入门 在线性回归(linear regression)中,输出变量是通过输入特征的一个线性加权组合来预测的。下面是简单线性模型的一个示例: =1x+0 上述模型实质上表达的是,我们要估算一个用表示的输出,它是由字...
预测分析:R语言实现1.5 小结
1.5 小结 在本章,我们探讨了关于预测模型的一些基本思想。我们看到有很多种方式可以对模型进行分类,并在这个过程中学习了一些重要的区分方式,例如有监督和无监督学习,回归和分类等。然后,我们列出了构建预测模型所需要的步骤,从数据收集的过程开始,一直到模型的评价和部署。关键在于,这个过程是迭代式的,往往要尝试并训练很多不同的模型才能得到最终的模型。为了比较我们创建的不同模型的性能,我们讲解了一些模.....
预测分析:R语言实现1.4 性能衡量指标
1.4 性能衡量指标 在上一节讨论预测建模过程的时候,我们讨论了利用训练集和测试集对被训练模型的性能进行评估的重要性。在本节,我们要审视在描述不同模型的预测精确度时常遇见的某些性能衡量指标。其实,根据问题的不同类型,会需要使用略有差异的性能评估方式。由于本书讨论的重点是有监督的模型,所以我们会审视如何评估回归模型和分类模型。对于分类模型,我们还会讨论二元分类任务这样一个非常重要且经常遇到各类问.....
预测分析:R语言实现1.3 预测建模的过程
1.3 预测建模的过程 通过观察模型的某些不同特征,我们已经对预测建模过程的各种步骤有所了解。在本节,我们要顺序讲解这些步骤,并理解每个步骤是如何对该任务的整体成功起作用的。 1.3.1 定义模型的目标 简而言之,每个项目的第一步是准确找出期望的结果是什么,因为这样有助于引导我们在项目的进展过程中做出正确的决定。在一个预测分析学项目里,这个问题包括深入研究我们要进行的预测的类型,以及从细节上去.....
预测分析:R语言实现1.1 模型
1.1 模型 模型是预测分析学的核心,因此,本书一开始会讨论各种模型及其形式。简而言之,模型是我们要理解和分析的状态、流程或系统的一种表现形式。我们创建模型的目的是根据它得出推论以及(在本书中对我们更为重要的一点)对世界进行预测。模型的格式和风格有很多种,我们在本书中会探讨这种多样性中的一部分。模型可以是和我们能够观察或测量的数量值相关的一些方程,也可以是一套规则。我们大部分人在学校都熟悉的一个....
本页面内关键词为智能算法引擎基于机器学习所生成,如有任何问题,可在页面下方点击"联系我们"与我们沟通。