Removingoutliersfromlinearregressionwhenusingmultiplemodels我想重新运行我的多元线性回归分析，删除有影响的观察值/异常值以确定它们的影响。我的数据包含30个变量(5个预测变量，25个结果)的大约1000个观察值。1df我对25个结果变量中的每一个执行多元线性回归：12345678library(tidyverse)reg% gather(outcome_name,outcome_value,-(X1:X5))%>% group_by(outcome_name)%>% nest()%>% mutate(model=map(data,~lm

0导包import warningswarnings.filterwarnings("ignore")import numpy as np      # numpy 支持矩阵计算 import tensorflow as tfimport matplotlib.pyplot as plt     # matplotlib 是 Python 的画图工具1-1构造数据np.random.seed(999)     # 设定随机种子，用于控制随机过程def pre(x):    return 2 * x  + 3   # 这里 w 是 2， b 是 3# 多点的线性回归，随机产生500个 0-5 的

0导包import warningswarnings.filterwarnings("ignore")import numpy as np      # numpy 支持矩阵计算 import tensorflow as tfimport matplotlib.pyplot as plt     # matplotlib 是 Python 的画图工具1-1构造数据np.random.seed(999)     # 设定随机种子，用于控制随机过程def pre(x):    return 2 * x  + 3   # 这里 w 是 2， b 是 3# 多点的线性回归，随机产生500个 0-5 的

importtorchfromtorchimportnnfromd2limporttorchasd2l最基础的导包，看不懂的python需要回炉重造，不建议继续往下看文章。n_train=50#训练样本数x_train,_=torch.sort(torch.rand(n_train)*5)#训练样本的输入deff(x):return2*torch.sin(x)+x**0.8y_train=f(x_train)+torch.normal(0.0,0.5,(n_train,))#训练样本的输出x_test=torch.arange(0,5,0.1)#测试样本y_truth=f(x_test)#测试

importtorchfromtorchimportnnfromd2limporttorchasd2l最基础的导包，看不懂的python需要回炉重造，不建议继续往下看文章。n_train=50#训练样本数x_train,_=torch.sort(torch.rand(n_train)*5)#训练样本的输入deff(x):return2*torch.sin(x)+x**0.8y_train=f(x_train)+torch.normal(0.0,0.5,(n_train,))#训练样本的输出x_test=torch.arange(0,5,0.1)#测试样本y_truth=f(x_test)#测试

0-1导包import warningswarnings.filterwarnings("ignore")import numpy as npimport tensorflow as tfimport matplotlib.pyplot as plt1-1构造数据np.random.seed(999)raw_data = np.random.standard_normal((1000, 2)) # 产生 0 均值的 正态分布plt.figure(figsize=(8,6))       # 设置当前图像的长和宽plt.scatter(raw_data[:,0],raw_data[:,1],ma