Task05：数据挖掘之建模预测

Task05：建模预测

1. 线性回归模型

线性回归对于特征的要求：
特征符合线性行和可加性。假设因变量为Y，自变量为X1，X2，则回归分析的默认假设为Y=b+a1X1+a2X2+ε。 线性性：X1每变动一个单位，Y相应变动a1个单位，与X1的绝对数值大小无关。可加性：X1对Y的影响是独立于其他自变量（如X2）的特征之间应相互独立。
理解线性回归模型

线性回归五大假设：

1）线性性 & 可加性，

2）误差项（ε）之间应相互独立，

3）自变量（X1，X2）之间应相互独立，

4）误差项（ε）的方差应为常数，

5）误差项（ε）应呈正态分布

评价函数与目标函数

目标函数是最终需要优化的函数(obj=loss+Ω)，其中包括经验损失和结构损失。经验损失(loss)就是损失函数/代价函数。结构损失(Ω)就是正则项之类的来控制模型复杂程度的函数。
评价函数即损失函数/代价函数，用于评估预测值和真实值差异。常用有：平均绝对误差（Mean Absolute Error，MAE），均方误差（Mean Squared Error，MSE），平均绝对百分误差（Mean Absolute Percentage Error，MAPE），均方根误差（Root Mean Squared Error）， R2（R-Square）。