机器学习笔记 - 线性回归与逻辑回归
2023-09-14 09:01:36 时间
一、线性回归概述
1、概述
线性回归算法是一种预测连续型变量的方法。它的基本思想是通过已给样本点的因变量和自变量的关系,设定一个数学模型,来拟合这些样本点。线性回归算法就是为了找到最佳模型。
线性回归算法的核心有两个。第一,假设合适的模型,比如是使用一次曲线拟合还是二次曲线拟合;第二,寻找最佳的拟合参数,不同的参数对应了模型不同的形态,如何找到最佳的参数是非常关键的。
回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。假如想要预测下一季度内汽车销售的数量,可能会用以下公式。
nums = 0.005*d - 0.00099f
这就是所谓的回归方程(regression equation),其中的0.0015和-0.99称作回归系数(regression weights),求这些回归系数的过程就是回归。
2、优缺点
优点:结果易于理解,计算上不复杂。
缺点:对非线性的数据拟合不好。
适用数据类型:数值型和标称型数据。
3、通常应用流程
(1)收集数据:采用任意方法收集数据。
(2)准备数据:回归需要数值型数据,标称型数据将被转成二值型数据。
(3)分析数据:绘出数据的可视化二维图将有助于对数据做出理解和分析,在采用缩减法求得新回归系数之后,可以
相关文章
- 机器学习笔记(三)---- 逻辑回归(二分类)
- Coursera台大机器学习技法课程笔记08-Adaptive Boosting
- 机器学习学习记录《一》
- 机器学习入门11 - 逻辑回归 (Logistic Regression)
- 机器学习笔记 - 基于keras的Simple RNN训练时间序列数据
- 机器学习笔记 - 简单了解模式识别
- 机器学习笔记 - 如何像数据科学家一样思考
- Maven 项目 无缘无故报错:版本冲突,其他机器上正常-提交的时候报冲突怎么也解决不掉
- ML:机器学习中与模型相关的一些常见的判断逻辑(根据自调整阈值计算阳性率)
- ML:机器学习中与模型相关的一些常见的判断逻辑(根据自调整阈值计算阳性率)
- 机器学习算法集成系统
- 文本分类:Keras+RNN vs传统机器学习
- 鲲鹏云实验-Python+Jupyter机器学习基础环境
- 机器学习:逻辑回归预测癌症数据
- Andrew NG机器学习课程笔记系列之——机器学习之逻辑回归(Logistic Regression)
- 斯坦福大学机器学习课程原始讲义(含公开课视频) (转载)
- 如何解读「量子计算应对大数据挑战:中国科大首次实现量子机器学习算法」?——是KNN算法吗?
- 【机器学习】逻辑回归和线性回归的区别?(面试回答)
- 【机器学习】逻辑回归LR的推导及特性是什么,面试回答?
- 【机器学习】14、sklearn