“线性回归”的版本间的差异
来自Wiki.Citydatum
小 |
小 （→概述） |
||
| 第4行： | 第4行： | ||
== 概述 == | == 概述 == | ||
| + | * 线性回归表达形式为y = w'x+e，e为误差服从均值为0的正态分布。 | ||
| − | + | === 细分类型 === | |
* 回归分析中，如果只有一个[[自变量]]（explanatory variables, or independent variables）和一个[[因变量]]（dependent variable），且二者的关系可用一条直线近似表示，这种回归分析称为'''一元线性回归分析'''。 | * 回归分析中，如果只有一个[[自变量]]（explanatory variables, or independent variables）和一个[[因变量]]（dependent variable），且二者的关系可用一条直线近似表示，这种回归分析称为'''一元线性回归分析'''。 | ||
* 如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为'''多元线性回归分析'''。 | * 如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为'''多元线性回归分析'''。 | ||
| + | |||
| + | === 应用类型 === | ||
| + | 线性回归有很多实践应用，绝大多数可归结为两大类型： | ||
| + | * 以推断、预测或纠错为目的的应用：根据一组给定的自变量和因变量，拟合预测模型，再将一组自变量代入这个模型，获取因变量的预测值； | ||
| + | * 以判断相关因子为目的的应用：给定一组多变量和多组自变量，利用线性回归分析来量化分析因变量和其中一组自变量之间的关联关系强度，识别哪些自变量与因变量无关，或哪些自变量中含有因变量的冗余信息。 | ||
== 拟合方法 == | == 拟合方法 == | ||
2017年9月28日 (四) 00:32的版本
线性回归（Linear Regression）是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。线性回归运用十分广泛，在城市规划与城市研究领域，常见于人口预测、经济预测等。
概述
- 线性回归表达形式为y = w'x+e，e为误差服从均值为0的正态分布。
细分类型
- 回归分析中，如果只有一个自变量（explanatory variables, or independent variables）和一个因变量（dependent variable），且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。
- 如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。
应用类型
线性回归有很多实践应用，绝大多数可归结为两大类型：
- 以推断、预测或纠错为目的的应用：根据一组给定的自变量和因变量，拟合预测模型，再将一组自变量代入这个模型，获取因变量的预测值；
- 以判断相关因子为目的的应用：给定一组多变量和多组自变量，利用线性回归分析来量化分析因变量和其中一组自变量之间的关联关系强度，识别哪些自变量与因变量无关，或哪些自变量中含有因变量的冗余信息。
