一.简单线性回归
简单线性回归
通过分析问题，确定文体的损失函数或者效用函数；
通过最优化损失函数或者效用函数，获得机器学习的模型。
损失函数尽可能的小，效用函数尽可能大。
典型的最小二乘法问题：最小化误差的平方。
二.回归算法得评价
1.MSE
MSE
2.RMSE
3.MAE
4.R Squared
R Squared
三.多元线性回归
四.使用Scilit-learn解决回归问题
from sklearn.linear_model import LinearRegression
lin_reg=LinearRegression()
lin_reg.fit(x_train,y_train)
KNNRegressor
from sklearn.neithbors import KNeighborsRegressor
knn_reg= KNeighborsRegressor()
knn_reg.fit(x_train,y_train)
knn_reg.score(x_test,y_test)
五.总结
对数据有假设：线性。
对比KNN对数据没有假设
有点：对数据具有强解释性（白盒算法，学到了知识与之间的关系）
更多：
网友评论