给出两个线性回归会给出不准确预测的例子。解释你的理由
给出两个线性回归会给出不准确预测的例子。解释你的理由。以Python为例编写代码将不胜感激。
共有1个答案
安斯科姆的四重奏就是一个经典的例子。所有4个数据集都有相同的基本统计描述符，但形状完全不同。
应用线性回归对所有4个数据集都有非常不同的有效性（大致只对第一个有效）。
在seborn的留档中有一个例子：
import seaborn as sns
df = sns.load('anscombe')
sns.lmplot(x="x", y="y", col="dataset", hue="dataset", data=df,
col_wrap=2, ci=None, palette="muted", height=3,
scatter_kws={"s": 50, "alpha": 1})
-
我有这个代码： 它产生这样的结果： （在新选项卡中打开图像以查看完整尺寸。） 现在，这些值加起来甚至为。即使这个值也比实际值高。
-
我尝试像这样查询api: http://api.openweathermap.org/data/2.5/weather?q=kuwait 但是，它给了我与国家“PE”相关的结果。我下载了网站上引用的国家代码json文件，并用“科威特”这个词搜索了所有城市，只有1个城市是：“科威特城”，一个是“科威特”。为什么API在搜索“科威特”时会返回国家“PE”？ 我也用了
-
我是机器学习和OpenCV的新手。我从Cohn-Kanade人脸数据库中为每种情绪（中性和快乐）拍摄了一组10张图像。然后，我从每个图像中提取面部特征，并将它们放入我的训练数据矩阵中，并为各自的情绪分配标签（例如：0表示中性，1表示快乐）。 我使用了gamma=0.1和C=1的RBF内核。经过训练后，我将从智能手机摄像头中提取出的面部特征用于预测。预测总是返回1。 如果我增加中性表达式的训练样本数
-
我知道这可能会被选为副本（因为我已经看到了这张使用Dijkstra算法的负权重图，所以我认为其中没有一个答案是我想要的。我对Dijkstra算法在有一条负边的图中的解感兴趣，但Dijkstra仍然会显示正确的解。那张图会是什么样子？我无法想象，或者我不擅长enough需要了解Dijkstra如何处理负边缘。我知道有一个带负边的图，可以用Dijkstra遍历，并且仍然有正确的路径。请不要告诉我使用贝
-
（这正是网站上的内容） 结果是