理解线性回归
我对机器学习算法不熟悉，对统计学知识了解不多。我知道这个例子可能不能给你正确的体积预测。然而，让我们考虑我有两个功能时间和符号来预测音量。这是样本数据
==========day1============
symbol | time | volume
mmm | 0800 | 1000
mmm | 0802 | 500
mmm | 0804 | 200
mmm | 0806 | 100
mmm | 0808 | 50
mmm | 0810 | 100
==========day2===========
symbol | time | volume
mmm | 0800 | 700
mmm | 0802 | 200
mmm | 0804 | 400
mmm | 0806 | 200
mmm | 0808 | 500
mmm | 0810 | 100
===========day3===========
symbol | time | volume
mmm | 0800 | 500
mmm | 0802 | 500
mmm | 0804 | 700
mmm | 0806 | 500
mmm | 0808 | 20
mmm | 0810 | 10
===========day4===========
symbol | time | volume
mmm | 0800 | 1500
mmm | 0802 | 500
mmm | 0804 | 700
mmm | 0806 | 900
mmm | 0808 | 1000
mmm | 0810 | 300
===========day5===========
symbol | time | volume
mmm | 0800 | 9000
mmm | 0802 | 1000
mmm | 0804 | 3000
mmm | 0806 | ?
mmm | 0808 | ?
mmm | 0810 | ?
让我们假设股票是“趋势股票”，在第四天和第五天，股票价值正在上升。我想预测剩余时间框架的音量。在这种情况下，线性回归如何计算数量的产出值？
共有1个答案
我认为线性回归是关于找到数据点的最佳拟合，即减少实际值和预测值之间的误差。在这种情况下，第4天和第5天在模型中引起了很多错误，实际结果可能只是符合第1天、第2天和第3天的线。
-
我试图拟合在库中实现的线性回归模型。 我对方法有疑问。假设我有大小为15的数据样本，我将其分为3部分，并拟合模型。调用每个将正确拟合模型或覆盖以前的值。
-
我在做多元回归问题。我有如下数据集。 我把工资作为因变量，其他变量作为自变量。在做了数据预处理之后，我运行了梯度下降、回归模型。我估计了所有独立特征的偏差（截距）和系数。我想做实际值的散点图和我预测的假设的回归线。因为我们这里有不止一个功能， 我有以下问题。 > 在绘制回归线时，特征值是多少，这样我就可以计算假设值。？意思是现在，我有截距和所有特征的权重，但是我没有特征值。我现在如何决定特征值？
-
我有困难得到的线性回归中的加权数组来影响输出。 这里有一个没有加权的例子。 现在，当添加重量时，我得到了相同的最佳拟合线。我希望看到回归有利于曲线的陡峭部分。我做错了什么？
-
主要内容：假设函数,损失函数通过前面内容的介绍，我相信你对线性回归算法已经有了初步的认识。那我们应该如何在一大堆数据中求解出“线性方程呢”比如前面提及的房价预测问题？这种问题才是符合实际应用的。数据样本会散落在“线性方程”的周围（下图 2 所示）， 而我们要做就是让线性方程的“直线”尽可能“拟合”周围的数据点。本节我们将从数学角度解析线性回归模型。 假设函数 通过前面知识的学习，我们知道假设函数是用来预测结果的。前面讲述时为
-
回归问题的条件或者说前提是 1） 收集的数据 2） 假设的模型，即一个函数，这个函数里含有未知的参数，通过学习，可以估计出参数。然后利用这个模型去预测/分类新的数据。 1 线性回归的概念 线性回归假设特征和结果都满足线性。即不大于一次方。收集的数据中，每一个分量，就可以看做一个特征数据。每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数，向量表示形式： 这个就是一个组合问题，
-
线性回归是最简单的回归方法，它的目标是使用超平面拟合数据集，即学习一个线性模型以尽可能准确的预测实值输出标记。 单变量模型 模型 $$f(x)=w^Tx+b$$ 在线性回归问题中，一般使用最小二乘参数估计（$$L_2$$损失），定义目标函数为 $$J={\arg min}{(w,b)}\sum{i=1}^{m}(y_i-wx_i-b)^2$$ 均方误差（MSE） $$MSE = \frac{1}{