机器学习 多项式回归与模型泛化(上)
Posted zhangtaotqy
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习 多项式回归与模型泛化(上)相关的知识,希望对你有一定的参考价值。
一、什么是多项式回归
直线回归研究的是一个依变量与一个自变量之间的回归问题,但是,在畜禽、水产科学领域的许多实际问题中,影响依变量的自变量往往不止一个,而是多个,比如绵羊的产毛量这一变量同时受到绵羊体重、胸围、体长等多个变量的影响,因此需要进行一个依变量与多个自变量间的回归分析,即多元回归分析。
研究一个因变量与一个或多个自变量间多项式的回归分析方法,称为多项式回归(Polynomial Regression)。如果自变量只有一个时,称为一元多项式回归;如果自变量有多个时,称为多元多项式回归。在一元回归分析中,如果依变量y与自变量x的关系为非线性的,但是又找不到适当的函数曲线来拟合,则可以采用一元多项式回归。
一元m次多项式回归方程为:
。
二元二次多项式回归方程为:
。
多项式回归的最大优点就是可以通过增加x的高次项对实测点进行逼近,直至满意为止。事实上,多项式回归可以处理相当一类非线性问题,它在回归分析中占有重要的地位,因为任一函数都可以分段用多项式来逼近。因此,在通常的实际问题中,不论依变量与其他自变量的关系如何,我们总可以用多项式回归来进行分析。
多项式回归问题可以通过变量转换化为多元线性回归问题来解决。
对于一元m次多项式回归方程,令
,则该一元m次多项式就转化为m元线性回归方程
。因此用多元线性函数的回归方法就可解决多项式回归问题。需要指出的是,在多项式回归分析中,检验回归系数
是否显著,实质上就是判断自变量x的i次方项
对依变量y的影响是否显著。
模型如以下形式的称为一元多项式回归模型:
二、scikit-learn中的多项式回归与Pipeline
三、过拟合与欠拟合
四、为什么要有训练数据集与测试数据集
五、学习曲线
以上是关于机器学习 多项式回归与模型泛化(上)的主要内容,如果未能解决你的问题,请参考以下文章
机器学习之路:python 多项式特征生成PolynomialFeatures 欠拟合与过拟合
Python机器学习及实践——进阶篇4(模型正则化之L1正则&L2正则)
Python机器学习及实践——进阶篇4(模型正则化之L1正则&L2正则)