机器学习1.9-线性回归3 .pptxVIP

机器学习;生如夏花之绚烂，死如秋叶之静美。

眼睛为她下着雨，心却为她打着伞，这就是爱情。

世界以痛吻我，要我报之以歌。

只有经历过地狱般的磨砺，才能练就创造天堂的力量；

只有流过血的手指，才能弹出世间的绝响。;目录;在前面的小节中，讨论了如何在训练数据上拟合回归模型。

通过前面的学习，我们了解到：为了获得对模型性能的无偏估计，在训练过程中使用未知数据对模型进行测试是至关重要的。;前面讲过，将数据集划分为训练数据集和测试数据集，前者用于模型的拟合，后者用于评估模型在未知数据上的泛化性能。

简单回归模型的介绍就到这里，现在使用数据集中的所有变量训练多元回归模型。

;X=df.iloc[:,:-1].values

y=df[MEDV].values

X_train,X_test,y_train,y_test=train_test_split(

X,y,test_size=0.3,random_state=0)

slr=LinearRegression()

slr.fit(X_train,y_train)

y_train_pred=slr.predict(X_train)

y_test_pred=slr.predict(X_test);这个模型使用了多个解释变量，无法在二维图上绘制线性回归曲线（更确切地说是超平面）

不过可以绘制出预测值的残差（真实值与预测值之间的差异或者垂直距离）图，从而对回归模型进行评估。

残差图作为常用的图形分析方法，可对回归模型进行评估、获取模型的异常值，同时还可检查模型是否是线性的，以及误差是否随机分布。;通过将预测结果减去对应目标变量真实值，便可获得残差的值;完美的预测结果其残差应为0，但在实际应用中，这种情况可能永远都不会发生。不过，对

于一个好的回归模型，期望误差是随机分布的，同时残差也随机分布于中心线附近。

如果我们从残差图中找出规律，这意味着模型遗漏了某些能够影响残差的解释信息，就如同看到的残差图那样，其中有着些许规律。此外，我们还可以使用残差图来发现异常值，这些异常值点看上去距离中心线有较大的偏差。;另外一种对模型性能进行定量评估的方法称为均方误差（MeanSquaredError，MSE），它是线性回归模型拟合过程中，最小化误差平方和（SSE）代价函数的平均值。;某些情况下决定系数（coefficientofdetermination）（R2）显得尤为有用，它可以???作是MSE的标准化版本，用于更好地解释模型的性能。R2值的定义如下：;完整代码分析