資源描述：
《七種回歸分析》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、象形大數(shù)據(jù)http://www.ethinkbi.com什么是回歸分析？回歸分析是一種預測性的建模技術，它研究的是因變量（目標）和自變量（預測器）之間的關系。這種技術通常用于預測分析，時間序列模型以及發(fā)現(xiàn)變量之間的因果關系。例如，司機的魯莽駕駛與道路交通事故數(shù)量之間的關系，最好的研究方法就是回歸。回歸分析是建模和分析數(shù)據(jù)的重要工具。在這里，我們使用曲線/線來擬合這些數(shù)據(jù)點，在這種方式下，從曲線或線到數(shù)據(jù)點的距離差異最小。我會在接下來的部分詳細解釋這一點。我們?yōu)槭裁词褂没貧w分析？如上所述，回歸分析估計了兩個或多個變量之間的關系。下面，讓我們舉一個簡單的例子來
2、理解它：比如說，在當前的經濟條件下，你要估計一家公司的銷售額增長情況?，F(xiàn)在，你有公司最新的數(shù)據(jù)，這些數(shù)據(jù)顯示出銷售額增長大約是經濟增長的2.5倍。那么使用回歸分析，我們就可以根據(jù)當前和過去的信息來預測未來公司的銷售情況。象形大數(shù)據(jù)http://www.ethinkbi.com使用回歸分析的好處良多。具體如下：它表明自變量和因變量之間的顯著關系；它表明多個自變量對一個因變量的影響強度?；貧w分析也允許我們去比較那些衡量不同尺度的變量之間的相互影響，如價格變動與促銷活動數(shù)量之間聯(lián)系。這些有利于幫助市場研究人員，數(shù)據(jù)分析人員以及數(shù)據(jù)科學家排除并估計出一組最佳的變量
3、，用來構建預測模型。我們有多少種回歸技術？有各種各樣的回歸技術用于預測。這些技術主要有三個度量（自變量的個數(shù)，因變量的類型以及回歸線的形狀）。我們將在下面的部分詳細討論它們。對于那些有創(chuàng)意的人，如果你覺得有必要使用上面這些參數(shù)的一個組合，你甚至可以創(chuàng)造出一個沒有被使用過的回歸模型。但在你開始之前，先了解如下最常用的回歸方法：1.LinearRegression線性回歸它是最為人熟知的建模技術之一。線性回歸通常是人們在學習預測模型時首選的技術之一。在這種技術中，因變量是連續(xù)的，自變量可以是連續(xù)的也可以是離散的，回歸線的性質是線性的。線性回歸使用最佳的擬合直線
4、（也就是回歸線）在因變量（Y）和一個或多個自變量（X）之間建立一種關系。用一個方程式來表示它，即Y=a+b*X+e，其中a表示截距，b表示直線的斜率，e是誤差項。這個方程可以根據(jù)給定的預測變量（s）來預測目標變量的值。象形大數(shù)據(jù)http://www.ethinkbi.com一元線性回歸和多元線性回歸的區(qū)別在于，多元線性回歸有（>1）個自變量，而一元線性回歸通常只有1個自變量?，F(xiàn)在的問題是“我們如何得到一個最佳的擬合線呢？”。如何獲得最佳擬合線（a和b的值）？這個問題可以使用最小二乘法輕松地完成。最小二乘法也是用于擬合回歸線最常用的方法。對于觀測數(shù)據(jù)，它通過
5、最小化每個數(shù)據(jù)點到線的垂直偏差平方和來計算最佳擬合線。因為在相加時，偏差先平方，所以正值和負值沒有抵消。象形大數(shù)據(jù)http://www.ethinkbi.com我們可以使用R-square指標來評估模型性能。想了解這些指標的詳細信息，可以閱讀：模型性能指標Part1,Part2.要點：·自變量與因變量之間必須有線性關系多元回歸存在多重共線性，自相關性和異方差性?！ぁは笮未髷?shù)據(jù)http://www.ethinkbi.com線性回歸對異常值非常敏感。它會嚴重影響回歸線，最終影響預測值。多重共線性會增加系數(shù)估計值的方差，使得在模型輕微變化下，估計非常敏感。結果就
6、是系數(shù)估計值不穩(wěn)定在多個自變量的情況下，我們可以使用向前選擇法，向后剔除法和逐步篩選法來選擇最重要的自變量?！?.LogisticRegression邏輯回歸邏輯回歸是用來計算“事件=Success”和“事件=Failure”的概率。當因變量的類型屬于二元（1/0，真/假，是/否）變量時，我們就應該使用邏輯回歸。這里，Y的值從0到1，它可以用下方程表示。odds=?p/?(1-p)?=?probability?of?event?occurrence?/?probability?of?not?event?occurrenceln(odds)?=?ln(p/(
7、1-p))logit(p)?=?ln(p/(1-p))?=?b0+b1X1+b2X2+b3X3....+bkXk上述式子中，p表述具有某個特征的概率。你應該會問這樣一個問題：“我們?yōu)槭裁匆诠街惺褂脤?shù)log呢？”。因為在這里我們使用的是的二項分布（因變量），我們需要選擇一個對于這個分布最佳的連結函數(shù)。它就是Logit函數(shù)。在上述方程中，通過觀測樣本的極大似然估計值來選擇參數(shù)，而不是最小化平方和誤差（如在普通回歸使用的）。象形大數(shù)據(jù)http://www.ethinkbi.com要點：·它廣泛的用于分類問題。邏輯回歸不要求自變量和因變量是線性關系。它可以處
8、理各種類型的關系，因為它對預測的相對風險指數(shù)OR使用了一個非線性的
