大數(shù)據(jù)挖掘技術(shù)之dm經(jīng)典模型-文庫吧資料
2025-07-19 22:22本頁面
【正文】 買。盡管這些變量相互獨(dú)立，價(jià)格對(duì)目標(biāo)的影響扔可能受溫度的影響。一個(gè)冰淇淋的吸引力可能依賴于價(jià)格和天氣——尤其是某天的炎熱程度。兩個(gè)變量本質(zhì)上相互抵消，因此這兩個(gè)系數(shù)的取值并不會(huì)對(duì)任何變量有真正意義上的影響。一般情況，注意不要包含彼此密切相關(guān)的自變量就可以。這一位置改變其中一個(gè)輸入值應(yīng)該對(duì)其他輸入值沒有影響。添加一個(gè)新輸入將會(huì)改變所有原輸入的系值取值。理想情況下，所有輸入之間應(yīng)該線性無關(guān)。后面我們會(huì)介紹邏輯回歸分析，那里使用一個(gè)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(jià)于概率估計(jì)。當(dāng)目標(biāo)遵循某一已知的分布時(shí)，就可以選擇一個(gè)鏈接函數(shù)，它產(chǎn)生的值與目標(biāo)的平均值相同，同時(shí)也會(huì)產(chǎn)生一個(gè)類似的分布。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(duì) Y=aX+b 就可以說明這一點(diǎn)，該方程是一條簡(jiǎn)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。、目標(biāo)變量的范圍一個(gè)回歸方程可以產(chǎn)生任何值。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?、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。多元回歸引入線性回歸的那個(gè)例子使用了單一的輸入——持續(xù)期——來解釋日訪問量隨時(shí)間的變化。在很多程度上，這個(gè)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)。因?yàn)槟挲g很難作為回歸方程的輸入。隨著駕駛?cè)藛T經(jīng)驗(yàn)的不斷增加，風(fēng)險(xiǎn)會(huì)逐步降低。例如，考慮不同年齡的汽車保險(xiǎn)購買人的風(fēng)險(xiǎn)。即，方程系數(shù)應(yīng)該對(duì)范圍內(nèi)的所有輸入變量都起作用。當(dāng)R值較高時(shí)，再加入少量觀察值就不會(huì)有上述的改變。當(dāng)R值較低時(shí)，不同的樣本可能會(huì)表現(xiàn)出非常不同的行為。R度量了數(shù)據(jù)的穩(wěn)定性。分母是水平線的殘差平方和。1減去兩個(gè)誤差的比值可以計(jì)算出R。定義簡(jiǎn)單，但計(jì)算起來復(fù)雜。在0~1的范圍內(nèi)，值越大表明兩者之間存在很強(qiáng)的關(guān)系，越下其關(guān)系越下。當(dāng)該值接近1時(shí)，說明該曲線在捕獲輸入和目標(biāo)之間的關(guān)系方面表現(xiàn)很好。誤差項(xiàng)表示模型無法解釋的Y的部分。最佳擬合曲線的方程是：Y=aX+b但該曲線，不是完整的模型。這些點(diǎn)出現(xiàn)的原因，可能是由于一些人為記錄的原因造成的。一個(gè)良好的模型所產(chǎn)生的估計(jì)值應(yīng)該接近真實(shí)值，所以殘差應(yīng)該集中于曲線軸附近。在殘差圖中，最重要的一點(diǎn)就是，這些值是位于擬合曲線之上的可能性與之下的可能性是否一樣。（1）殘差如圖，身高與體重模型的殘差。這里引入“殘差”，就是度量預(yù)測(cè)值與實(shí)際值之差。對(duì)于一個(gè)給定的數(shù)據(jù)集，總是可以找到一條最佳的擬合曲線。這里談到的是線性回歸，其實(shí)回歸模型是一個(gè)直線方程，這里只是來描述一個(gè)擬合曲線，其實(shí)算不上一個(gè)回歸曲線。當(dāng)時(shí)，高斯提出這一觀點(diǎn)，就是利用計(jì)算平方和，代替計(jì)算距離之和。最佳擬合曲線的定義就是最小二乘法的定義。如果用作數(shù)據(jù)點(diǎn)的標(biāo)記并沒有完全擬合，散點(diǎn)圖可以傳遞出更多的信息。但是通過擬合曲線，我們更能從直觀上看到，曲線的走勢(shì)。如果在保證博客質(zhì)量的同時(shí)，我們就可以預(yù)測(cè)博主的一篇博客的訪問量大致在什么范圍。Y軸，日訪問量的增加。畫出來的曲線更像是一個(gè)雙曲線。當(dāng)使用不同的顏色比較不同的客戶組時(shí)，這種散點(diǎn)圖尤其有用。圖中使用描點(diǎn)的符號(hào)是空心圓，它有助于清楚的顯示各點(diǎn)之間的聚集情況。“最佳的”關(guān)系是指最大限度地減少了從數(shù)據(jù)點(diǎn)到擬合曲線的垂直距離的平方和?；貧w模型也很復(fù)雜，這里談到——最佳擬合曲線。線性回歸回歸模型也是一種預(yù)測(cè)建模技術(shù)。在樸素模型中可以預(yù)測(cè)任何從未出現(xiàn)過的組合，但要這樣做，就必須假設(shè)這些輸入所造成的
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1