什麼是迴歸分析？

迴歸分析定義了一種監督式機器學習方法，可用於預測任何連續值屬性。迴歸分析幫助企業探索目標變數和預測變數之間的關聯。它是探索資料的重要工具，可用於貨幣預測和時間序列建模。

透過將資料擬合到函式（例如迴歸分析）可以平滑資料。線性迴歸包括找到擬合兩個屬性（或變數）的“最佳”直線，以便可以使用一個屬性來預測另一個屬性。多元線性迴歸是線性迴歸的擴充套件，其中包含兩個以上屬性，並且資料擬合到多維空間。

線上性迴歸中，資料建模為擬合一條直線。例如，隨機變數 y（稱為響應變數）可以建模為另一個隨機變數 x（稱為預測變數）的線性函式，其方程為 y = wx + b，其中 y 的方差被認為是恆定的。

迴歸問題處理基於輸入值計算輸出值。當用於分類時，輸入值來自資料庫，輸出值表示類別。迴歸分析可用於探索分類問題，但也可用於多種應用，例如預測。迴歸分析的基本結構是簡單線性迴歸，它只包含一個預測變數和一個預測值。

迴歸分析可以使用兩種方法進行分類：

• 劃分 - 資料被劃分為位於類別上的區域。

• 預測 - 生成公式來預測輸出類別的值。

這些方法用於根據一個或多個預測變數（自變數）預測響應變數（因變數）的值，其中變數為整數。迴歸分析有多種形式，例如線性迴歸、多元迴歸、加權迴歸、多項式迴歸、非引數迴歸和穩健迴歸（穩健技術在誤差不滿足正態性條件或資料包含大量異常值時很有用）。

迴歸分析可以預測某些依賴於自變量表達式的因變數資料集，並且趨勢在一定時期內是可用的。迴歸分析提供了一種很好的預測變數的方法，但存在一些限制和假設，例如變數的獨立性和變數固有的正態分佈。

每個迴歸樹葉節點儲存一個連續值預測，它是覆蓋該葉節點的訓練集的預測屬性的平均成本。相反，在模型樹中，每個葉節點傾向於一個迴歸模型和預測屬性的多元連續方程。當資料不能很好地用簡單的線性模型表示時，迴歸樹和模型樹往往比線性迴歸更有效。

基尼係數

更新於：2022年2月15日

400 次瀏覽

開啟你的職業生涯

透過完成課程獲得認證

開始學習