機器學習 課件 第5章 回歸模型_第1頁
機器學習 課件 第5章 回歸模型_第2頁
機器學習 課件 第5章 回歸模型_第3頁
機器學習 課件 第5章 回歸模型_第4頁
機器學習 課件 第5章 回歸模型_第5頁
已閱讀5頁，還剩37頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

第5章回歸模型課程學習內容5.1回歸模型的概念5.2回歸模型的算法原理5.3基于Python的回歸建模實例5.4基于Spark的回歸建模實例5.1回歸模型的概念

回歸就是研究一個隨機變量y對另一個變量x或一組變量[x1,x2,…,xn]的相依關系的統計分析方法?；貧w模型用數學語言描述為y=f(x1,x2,…,xn)+ξ，其中x1,x2,…,xn是確定性的或可控的因素，f是映射函數，ξ是不確定或不可控的因素。通過擬合大量的數據，求解映射函數f的具體表達式，就是回歸建模的過程。一旦建立回歸模型，就能通過該模型進行數據預測。5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理5.2回歸模型的算法原理5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.2回歸模型的算法原理

5.3基于Python的回歸建模實例

5.3基于Python的回歸建模實例【例5-7】請針對例5-6的分析結果，對線性回歸模型進行改進，并再次對銷售量進行預測。解：在例5-6的summary()方法輸出中，注意到const和x3的P值偏大，而Cond.No.和Warnings[2]說明自變量之間本身就有線性相關關系，所以將其從回歸方程中刪除改進后的代碼如下：5.3基于Python的回歸建模實例5.3基于Python的回歸建模實例

用sklearn中各種回歸函數進行建模，用測試集的rmse和模型評分score來進行性能比較，代碼如下：5.3基于Python的回歸建模實例

5.3基于Python的回歸建模實例

5.3基于Python的回歸建模實例

5.3基于Python的回歸建模實例

5.3基于Python的回歸建模實例

5.3基于Python的回歸建模實例5.4基于Spark的回歸建模實例5.4基于Spa

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論