大數據挖掘技術之dm經典模型(編輯修改稿)
2025-08-09 22:22 本頁面
【文章內容簡介】 能會極大地改變模型的系數。當R值較高時，再加入少量觀察值就不會有上述的改變?；貧w方程能發(fā)現(xiàn)數據中的全局模式。即，方程系數應該對范圍內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險。年輕司機的風險較高。隨著駕駛人員經驗的不斷增加，風險會逐步降低。而對年齡很大的駕駛者，風險又會增加。因為年齡很難作為回歸方程的輸入。因為沒有全局模式，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參數。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）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，對最佳曲線方程進行了擴展。盡管通過引入更多維度，可以將線性回歸的幾何解釋擴展到多元回歸——曲線變?yōu)槠矫嬖僮兊匠矫??？紤]到每個字變量對因變量估計值的貢獻會更容易些，即可以由系數決定自變量貢獻的大小和方向。、目標變量的范圍一個回歸方程可以產生任何值。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，該方程是一條簡單的直線，取值隨之X的取值而邊變化，從負無窮到正無窮。但實際情況非如此。許多目標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)計學家引入了一個鏈接函數將回歸方程產生的Y值映射到目標變量的一個適合的范圍。當目標遵循某一已知的分布時，就可以選擇一個鏈接函數，它產生的值與目標的平均值相同，同時也會產生一個類似的分布。即使不知道確切的分布，也可以引入鏈接函數將估計映射到目標的一個適當的范圍。后面我們會介紹邏輯回歸分析，那里使用一個鏈接函數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回歸模型中有多個輸入變量時，會產生一些在單一輸入中不存在的問題。理想情況下，所有輸入之間應該線性無關。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）線性無關與樸素貝葉斯類似，多元模型的輸入之間應該線性無關。這一位置改變其中一個輸入值應該對其他輸入值沒有影響。實際情況很難實現(xiàn)真正獨立性。一般情況，注意不要包含彼此密切相關的自變量就可以。如果包含這些變量，往往會導致模型的一個輸入變量有較大的正系數而另一個輸入變量有較大的負系數。兩個變量本質上相互抵消，因此這兩個系數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立的，它們對目標的影響也可能是相關的。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。這些變量可以認為是獨立的（當然，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，但是這里假設不會）。盡管這些變量相互獨立，價格對目標的影響扔可能受溫度的影響。當天氣炎熱的時候，人民不是在意冰淇淋的價額都會購買。當天氣寒冷的時候，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近不同而不同。這就是交互的例子。當認為交互很重要時，一般情況下，可以通過添加新變量引入這些交互，而這些新變量是標準化交互中涉及變量值的產物。（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
教學課件相關推薦
鄂ICP備17016276號-1