大數(shù)據(jù)挖掘技術(shù)之dm經(jīng)典模型(編輯修改稿)
2025-08-09 22:22 本頁面
【文章內(nèi)容簡介】 能會極大地改變模型的系數(shù)。當(dāng)R值較高時，再加入少量觀察值就不會有上述的改變。回歸方程能發(fā)現(xiàn)數(shù)據(jù)中的全局模式。即，方程系數(shù)應(yīng)該對范圍內(nèi)的所有輸入變量都起作用。這表明回歸模型善于捕獲那些總是正確的模式，不是產(chǎn)于處理局部模式。例如，考慮不同年齡的汽車保險購買人的風(fēng)險。年輕司機(jī)的風(fēng)險較高。隨著駕駛?cè)藛T經(jīng)驗(yàn)的不斷增加，風(fēng)險會逐步降低。而對年齡很大的駕駛者，風(fēng)險又會增加。因?yàn)槟挲g很難作為回歸方程的輸入。因?yàn)闆]有全局模式，對于不同的年齡組，年齡的影響變化又會不同。在很多程度上，這個需要根據(jù)建模人員的熟悉程度，可以使用那些在不同取值范圍的變量作為輸入?yún)?shù)。但是，回歸方程本身不會發(fā)現(xiàn)局部模式。多元回歸引入線性回歸的那個例子使用了單一的輸入——持續(xù)期——來解釋日訪問量隨時間的變化。當(dāng)一個回歸模型有多個輸入時，就稱其為多元回歸。、等式線性回歸模型的一般形式（沒有誤差項(xiàng)）是：Y=a+a1x1+a2x2+a3x3+…..+anxn。這個方程通過添加更多變量，并為每個變量選定系數(shù)，對最佳曲線方程進(jìn)行了擴(kuò)展。盡管通過引入更多維度，可以將線性回歸的幾何解釋擴(kuò)展到多元回歸——曲線變?yōu)槠矫嬖僮兊匠矫妗？紤]到每個字變量對因變量估計值的貢獻(xiàn)會更容易些，即可以由系數(shù)決定自變量貢獻(xiàn)的大小和方向。、目標(biāo)變量的范圍一個回歸方程可以產(chǎn)生任何值。如果對X沒有限制，那么Y也是沒有限制的。對 Y=aX+b 就可以說明這一點(diǎn)，該方程是一條簡單的直線，取值隨之X的取值而邊變化，從負(fù)無窮到正無窮。但實(shí)際情況非如此。許多目標(biāo)變量的范圍并不是無窮的，甚至不是連續(xù)的。對于這些情況，統(tǒng)計學(xué)家引入了一個鏈接函數(shù)將回歸方程產(chǎn)生的Y值映射到目標(biāo)變量的一個適合的范圍。當(dāng)目標(biāo)遵循某一已知的分布時，就可以選擇一個鏈接函數(shù)，它產(chǎn)生的值與目標(biāo)的平均值相同，同時也會產(chǎn)生一個類似的分布。即使不知道確切的分布，也可以引入鏈接函數(shù)將估計映射到目標(biāo)的一個適當(dāng)?shù)姆秶：竺嫖覀儠榻B邏輯回歸分析，那里使用一個鏈接函數(shù)將線性回歸的無窮范圍映射到0~1的區(qū)間，該區(qū)間等價于概率估計。、使用多元回歸的其他注意事項(xiàng)回歸模型中有多個輸入變量時，會產(chǎn)生一些在單一輸入中不存在的問題。理想情況下，所有輸入之間應(yīng)該線性無關(guān)。被模型顯示地包含的輸入之間可能存在相互。添加一個新輸入將會改變所有原輸入的系值取值。（1）線性無關(guān)與樸素貝葉斯類似，多元模型的輸入之間應(yīng)該線性無關(guān)。這一位置改變其中一個輸入值應(yīng)該對其他輸入值沒有影響。實(shí)際情況很難實(shí)現(xiàn)真正獨(dú)立性。一般情況，注意不要包含彼此密切相關(guān)的自變量就可以。如果包含這些變量，往往會導(dǎo)致模型的一個輸入變量有較大的正系數(shù)而另一個輸入變量有較大的負(fù)系數(shù)。兩個變量本質(zhì)上相互抵消，因此這兩個系數(shù)的取值并不會對任何變量有真正意義上的影響。（2）交互即使兩個變量是完全獨(dú)立的，它們對目標(biāo)的影響也可能是相關(guān)的。一個冰淇淋的吸引力可能依賴于價格和天氣——尤其是某天的炎熱程度。這些變量可以認(rèn)為是獨(dú)立的（當(dāng)然，冰淇淋的價格并不取決于溫度，溫度可能會影響冰淇淋的價格，但是這里假設(shè)不會）。盡管這些變量相互獨(dú)立，價格對目標(biāo)的影響扔可能受溫度的影響。當(dāng)天氣炎熱的時候，人民不是在意冰淇淋的價額都會購買。當(dāng)天氣寒冷的時候，只有真正物美價廉才可能會吸引人民購買。類似的，價格的變化對住戶率的影響可能會隨著距離市中心的遠(yuǎn)近不同而不同。這就是交互的例子。當(dāng)認(rèn)為交互很重要時，一般情況下，可以通過添加新變量引入這些交互，而這些新變量是標(biāo)準(zhǔn)化交互中涉及變量值的產(chǎn)物。（3）添加變量可以改變模型中的原有變量的取值一種很自然的模型開發(fā)方法從一個僅有一個輸入的簡單
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1