机器学习笔记--回归分析(3)

本文详细介绍了回归分析中的逐步回归方法,包括向前引入法、向后剔除法和逐步筛选法,并通过具体示例说明了如何选择最优模型。此外,还探讨了回归诊断的重要性,包括正态分布检验、残差分析和多重共线性问题。最后,文章介绍了广义线性回归模型的概念,特别是Logistic回归在非线性数据拟合中的应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、逐步回归

1.  分类:

  • 向前引入法:从一元回归开始,逐步增加变量,使指标值达到最优为止
  • 向后剔除法:从全变量回归方程开始,逐步删去某个变量,使指标值达到最优为止
  • 逐步筛选法:综合上述两种方法、

在增加和删除变量时看如下指标的变化:

  • RSS(残差平方和)与R2(相关系数平方)选择法:遍历所有可能的组合,选出使RSS最小,R2最大的模型
  • AIC(Akaikeinformation criterion)赤池信息准则与BIC(Bayesian information criterion)准则 AIC=n ln(RSSp/n)+2p,n为变量总个数,p为选出的变量个数,AIC越小越好

2.  例子


其中swiss.lm为建立的模型,forward是向前引入法(backward、both),利用step函数自动完成

例如向后剔除法中,结果中对应的是每对应去掉一个变量他的RSS和AIC,所以减少Examination变量能够使AIC变小从而使得模型得到优化。

 

注:有时候通过step()函数并不能得到最优解,

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值