Statistical learning Week 3 线性回归
来源:互联网 发布:智能电视遥控器软件 编辑:程序博客网 时间:2024/06/08 07:12
2016-10-18
Week 3 线性回归
Outline
线性回归模型
- 最小二乘 Least Squares Fit
- 统计量 Mesures of Fit
- 假设检验
回归模型中的其他注意事项
- Qualitative Predictors 定性预测
- Interaction Terms
Potential Fit Problems
线性回归与KNN回归
线性回归模型
其中,
可使用梯度下降或牛顿迭代法来求参数
最小二乘估计 (least squares fit)
使用最小二乘法估计参数
统计量(Mesures of Fit)
标准差(standard erro, SE)
其中
残差平方和(residual sum of squares, RSS)
总平方和(total sum of squares, TSS)测量y的总方差。
判断线性回归的拟合质量通常使用两个相关的量:残差标准误(residual standard error, RSE)和
RSE是对
2016/10/19
假设检验 hypothesis test
在进行多元线性回归时,有一些重要问题需要解释:
βj 是否等于0?我们可以使用假设检验来回答。如果我们不能确定β0≠j ,那么Xj 在预测中就不存在。我们能确定至少有一个变量X是有用的吗?即
β1=β2=βj=0 ?
我们使用 假设检验 来回答这个问题。
检验零假设:
对应的备择假设是
计算t-test,测量
当
如果t比较大(p比较小),我们就可以确定
整个回归公式解释所有情况吗?
假设
使用F检测(F test)
若
回归模型中的其他注意事项
定性预测变量
上面讲的都是定量(quantitative)的,也可使用回归处理分类问题。
K近邻回归 KNN Regression
与KNN分类近似。根据给定的X选择K个最接近的点,用这些点的平均值来估计
当真实关系为非线性时,KNN比线性回归更好。
这一章有点乱
- Statistical learning Week 3 线性回归
- Statistical learning Week 1 什么是统计学习?
- Statistical learning Week 2 评估模型精度
- Machine Learning - VI. Logistic Regression逻辑回归 (Week 3)
- Machine Learning - II. Linear Regression with One Variable单变量线性回归 (Week 1)
- Stanford机器学习课程(Andrew Ng) Week 1 Parameter Learning --- 线性回归中的梯度下降法
- machine learning(线性回归)
- Machine Learning线性回归
- Machine Learning Week 3
- Machine Learning 课堂笔记3(线性回归)
- Machine Learning week 3 note
- Machine Learning Stanford (week 3)
- Deep learning:五(regularized线性回归练习)
- Machine Learning课程笔记2 线性回归
- Deep learning:五(regularized线性回归练习)
- Advanced Machine Learning 第四节 线性回归
- Machine learning (1)线性回归
- Deep Learning 2 - 多元线性回归
- linux 常用命令
- Redis学习
- 仿 淘宝头条热点 天猫头条热点 京东头条热点的自定义view 实现
- 12.7故障问题
- HTML、CSS编码规范
- Statistical learning Week 3 线性回归
- 我也是做SEO的
- 面向对象的编程思维
- [Android实例] app引导页(背景图片切换加各个页面动画效果)(申明:来源于网络)
- Android studio环境不能正常运行的解决方法
- java对象深层复制和浅复制
- 【51NOD 1192】Gcd表中的质数
- spring中IOC底层详解
- python 2 和python 3共存解决方法(virtualenv)