线性回归总结

R 中的监督学习：回归

Nina Zumel and John Mount

Win-Vector, LLC

线性回归的优缺点

  • 优点
    • 易于拟合与应用
    • 简洁
    • 不易过拟合
R 中的监督学习：回归

线性回归的优缺点

  • 优点
    • 易于拟合与应用
    • 简洁
    • 不易过拟合
    • 可解释
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R 中的监督学习：回归

线性回归的优缺点

  • 优点
    • 易于拟合与应用
    • 简洁
    • 不易过拟合
    • 可解释
  • 缺点
    • 只能表示线性且可加的关系
R 中的监督学习：回归

共线性

  • 共线性——当自变量部分相关。
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R 中的监督学习：回归

共线性

  • 共线性——当变量部分相关。
  • 系数可能改变符号
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R 中的监督学习：回归

共线性

  • 共线性——自变量之间部分相关。
  • 系数可能改变符号
  • 高共线性：
    • 系数（或标准误）看起来过大
    • 模型可能不稳定
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R 中的监督学习：回归

接下来

  • 评估回归模型
  • 正确训练模型
R 中的监督学习：回归

¡Vamos a practicar!

R 中的监督学习：回归

Preparing Video For Download...