本文主要向大家介绍了机器学习入门之机器学习第2周---炼数成金-----线性回归与Logistic，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

回归分析就是利用样本（已知数据），产生拟合方程，从而（对未知数据）迚行预测用途：预测，判别合理性例子：利用身高预测体重；利用广告费用预测商品销售额；等等.线性回归分析：一元线性；多元线性；广义线性非线性回归分析困难：选定变量（多元），避免多重共线性，观察拟合方程，避免过度拟合，检验模型是否合理
相关系数

 
一元线性回归模型
如何确定参数
使用平方误差和衡量预测值不真实值的差距平方误差真实值y，预测值，则平方误差就是寻找合适的参数，使得平方误差和最小。
 
最小二乘法：
RSS其实是关于α不β的函数，分别对α不β求偏导并令偏导等于0，就可以得出α不β的值

 
由于总体未知，采用样本值估计：

 
 
一元线性回归分析
 
多元线性回归模型
多元线性回归的核心问题：应该选择哪些变量？一个非典型例子（薛毅书p325)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（Akaike information criterion）准则不BIC（Bayesian information criterion）准则AIC=n ln (RSSp/n)+2pn为变量总个数，p为选出的变量个数，AIC越小越好
逐步回归向前引入法：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
 
广义线性模型
Logit变换
、
常见连接函数不逆连接函数

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！