多元线性回归回归分析：通过研究自变量X和因变量Y的相关关系，尝试去解释Y的形成机制，进而达到通过X去预测Y的目的。本次主要学习线性回归。（划分依据是因变量Y的类型）ps.other0-1回归，定序回归，计数回归，生存回归（一）基本概念a.关键词关键词：相关性，Y，X相关性!=因果性Y是需要研究的核心变量（因变量）X是解释变量（自变量）b.回归分析的作用分析哪些X变量是同Y真的相关，哪些不是（变量选择）-----采用逐步回归法除去与Y不相关的X变量之后，需要分析这些重要的X同Y相关系数正负的关系赋予不同X不同的权值（即不同的回归系数，进而知道不同变量之间的相对重要性）三个使命：一.识别重要变量二
目录1前言1.1Logistic回归的介绍1.2Logistic回归的应用2iris数据集数据处理2.1导入函数2.2导入数据2.3简单数据查看3可视化3.1条形图/散点图3.2箱线图3.3三维散点图4建模预测4.1二分类预测4.2多分类预测5讨论1前言1.1Logistic回归的介绍逻辑回归（Logisticregression，简称LR）是一种经典的二分类算法，它将输入特征与一个sigmoid函数进行线性组合，从而预测输出标签的概率。该算法常被用于预测离散的二元结果，例如是/否、真/假等。优点：实现简单。Logistic回归的参数可以用极大似然估计法进行求解，算法本身非常简单。速度快。Lo
回归分析概念回归分析的步骤一元线性回归一元线性回归模型一元线性回归方程参数的最小二乘法估计利用回归直线进行估计和预测估计标准误差的计算置信区间估计在1—α置信水平下预测区间影响区间宽度的因素回归直线的拟合优度判定系数显著性检验线性关系检验回归系数检验两个检验的区别多元线性回归调整的多重判定系数曲线回归分析多重共线性多重共线性检验的主要方法容忍度方差膨胀因子Python工具包介绍Statsmodels一元线性回归高阶回归分类变量Scikit-learn实战：汽车价格预测数据字典数据读取与分析缺失值处理（NaN）特征相关性预处理Lasso回归概念在统计学中，回归分析（regressionanaly
高斯过程回归（GaussianProcessesRegression,GPR）简介一、高斯过程简介二、高斯分布1.一元高斯分布2.多元高斯分布三、高斯过程回归1.高斯过程2.高斯过程回归四、sklearn中高斯过程回归的使用1.核函数的选择2.sklearn中高斯过程回归的使用a.初始数据b.高斯过程回归拟合c.高斯过程回归后验结果分布d.不同核函数拟合结果对比一、高斯过程简介高斯过程是一种常用的监督学习方法，可以用于解决回归和分类问题。高斯过程模型的优点有：预测对观察结果进行了插值预测的结果是概率形式的通用性：可以指定不同的核函数（kernels）形式高斯过程模型的确定包括：它们不是稀疏的，
鉴于这个程序:structVal{Val()=default;Val(Val&&)=default;auto&operator=(Val&&);};/*PLACEHOLDER*/auto&Val::operator=(Val&&){return*this;}替换/*PLACEHOLDER*/与...intmain(){std::vector>v;v.emplace(std::begin(v),0,Val{});}...编译成功:g++6.2.0g++6.3.0g++7.0.1(主干)clang++3.9.1clang++5.0.0(HEAD)onwandbox替换/*PLACEHOLD
鉴于这个程序:structVal{Val()=default;Val(Val&&)=default;auto&operator=(Val&&);};/*PLACEHOLDER*/auto&Val::operator=(Val&&){return*this;}替换/*PLACEHOLDER*/与...intmain(){std::vector>v;v.emplace(std::begin(v),0,Val{});}...编译成功:g++6.2.0g++6.3.0g++7.0.1(主干)clang++3.9.1clang++5.0.0(HEAD)onwandbox替换/*PLACEHOLD
小数据→y：连续性变量→x：6个以内→理论→验证→统计分析；大数据→y：分类变量→x：15个以内→探索→数据挖掘；一、X的选择流程业务（业务专家）：运营报告→年度报/季度报总是提到的字段→非常重要的变量；相关：求xi与y相关系数→降序排序→底部30%删除→非常不重要的变量；共线性：求x与x之间的相关系数→删除相关性较高的变量→比较重要的变量；建回归：分部门建立y与x回归（运营报告页数决定部门重要性）→每个部分删除50%→比较不重要的变量；主成分分析：一般控制6个以内（主要针对比较不重要的变量）；老年人和未成年人电商不分析→主要是促销活动容易触发法律；电商领域很多指标都是反推出来的；二、SPSS
曾记否，2021年4月28日，为了更好地从事科研和学习，当时给所有读者群发了我在CSDN唯一的私信，感谢大家十年的陪伴，短暂消失，不负青春。当时也收到了很多博友的鼓励与祝福，感恩。是啊！很难想象读博这四年的时光意味着什么，是对妻子和儿子深切的思念。我在珞珈山下挑灯夜读，你在景怡苑家中独自照顾幼子。怕的不是孑然一身，而是明明已经习惯两个人，又必须各自前行，像单打独斗的勇士。想到千里之外还有一个人和自己同呼吸共命运，求学之路并不孤单。犹记得论文发不出来，妻子给我最多的鼓励就是“论文发不发的尽力就好，哪怕求学的颜色是灰色，还有心里的爱是红色，家人的温暖是彩色！在我们心中你一直是珞珞的好榜样”。结婚五
理论依据【基本思想】1.多元线性回归分析的基本原理多元线性回归模型是指含有多个自变量的线性回归模型，用于解释因变量与其他多个自变量之间的线性关系。多元线性回归模型数学表达式为：式中，因变量y的变化可由两个部分解释：一是由k个自变量x的变化引起的y的变化部分；二是由其他随机因素引起的y的变化部分。2.回归系数的检验多元线性回归分析中，回归系数显著性检验的原假设为，即第i个偏回归系数与0无显著差异。3.回归方程的检验多元线性回归方程显著性检验的原假设为，式中，k为解释变量的个数，n为样本数。SPSS自动将F值与概率P值相对应，如果P值小于给定的显著性水平α，则拒绝原假设。4.多元线性回归分析的基本
1.概念一直看一遍忘一遍，实在懒得再查了，理解后再次整理，希望能加深理解。先总结几个概念：回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。为什么要回归分析？它表明自变量和因变量之间的显著关系；它表明多个自变量对一个因变量的影响强度。回归分析允许我们去比较那些衡量不同尺度的变量之间的相互影响，如价格变动与促销活动数量之间联系。这些有利于数据分析人员以及数据科学家排除并估计出一组最佳的变量，用来构建预测模型。常见的回归模型很多，在此我对自己常用的进行整理。2.logistic回归引用一篇整理不错
