机器学习之路——回归诊断

回归诊断:帮助我们发现并纠正问题，告诉我们模型是否合适，提供了评价回归模型适应性的必要工具。

比如：样品是否符合正态分布假设？是否存在离群群值使模型产生较大误差？线性模型是否合理？误差是否满足独立性（误差不会随着因变量大小而变化）、等方差、正态分布等假设条件？是否存在多重共线性（自变量不独立）？

标准方法：R中提供了大量检验回归分析中统计假设的方法。plot（）函数

R语言例子：

fit<-lm(weight~height,data=women)
par(mfrow=c(2,2))  %将plot绘制的四幅图形组合在一个大的2*2的图中
plot(fit)

运行结果：

回顾OLS回归假设：

1.正态性：当预测变量值固定时，因变量成正态分布。残差值也是均值为0的正态分布。

Normal Q-Q图：正态分布对应的值下，标准化残差的概率分布。若满足正态假设，图上的点应该落在呈45度角的直线上；若不是如此，那么久违反了正态性的假设。横坐标