预测分析：R语言实现.
数据科学与工程技术丛书 预测分析：R语言实现 Mastering Predictive Analytics with R [希] 鲁伊·米格尔·福特（Rui Miguel Forte） 著 吴今朝 译 图书在版编目（CIP）数据 预测分析：R语言实现/（希）鲁伊·米格尔·福特（Rui Miguel ...
预测分析：R语言实现导读
前 言 预测分析以及更一般意义上的数据科学当前正处于被追捧的热潮中，因为像垃圾邮件过滤、单词补全和推荐引擎这样的预测性技术已经被广泛运用于日常生活。这些技术现在不仅越来越被我们所熟悉，还赢得了我们的信任。在计算机处理能力和软件方面（例如R语言及其大量专用的扩展包）的发展产生了这样的局面：用户经过培...
预测分析：R语言实现2.8 小结
2.8 小结 在本章，我们学习了线性回归，这是一种让我们能在有监督学习环境下拟合线性模型的方法，在这种环境下，我们有一些输入特征和一个数值型的输出。简单线性回归是对只有一个输入特征的情况的命名，而多元线性回归则描述了具有多个输入特征的情况。线性回归是解决回归问题很常用的第一步骤。它假定输出是输入特征...
预测分析：R语言实现2.7 正则化
2.7 正则化 变量选择是一个重要的过程，因为它试图通过去除与输出无关的变量，让模型解释更简单、训练更容易，并且没有虚假的关联。这是处理过拟合问题的一种可能的方法。总体而言，我们并不期望一个模型能完全拟合训练数据。实际上，过拟合问题通常意味着，如果过分拟合训练数据，对我们在未知数据上的预测模型精确度...
预测分析：R语言实现2.6 特征选择
2.6 特征选择 我们的CPU模型只有6个特征。通常，我们遇到实际环境的数据集会具有来自多种不同观测数据的非常大量的特征。另外，我们会在不太确定哪些特征在影响输出变量方面比较重要的情况下，不得不采用大量的特征。除此之外，我们还有会遇到可能要分很多水平的分类变量，对它们我们只能创建大量的新指示变量，正...
预测分析：R语言实现2.5 线性回归的问题
2.5 线性回归的问题 在本章，我们已经看到了在尝试构建线性回归模型的时候遇到某些问题的一些示例。我们讨论过的一大类问题是和模型在线性、特征独立性和同方差性及误差的正态性等方面的假设相关的。我们还具体看到了诊断这类问题的方法，要么借助像残差图这样的图，或者利用能识别非独立成分的函数。本节要探讨线性回...
预测分析：R语言实现2.4 评估线性回归模型
2.4 评估线性回归模型 再次利用lm()函数，用线性回归模型来拟合数据。我们的两套数据集会用到上述数据框里剩下的所有输入特征。R提供了一种编写公式的简写方式，它可以把某个数据框里的所有列作为特征，除了被选为输出的列之外。这是利用一个句号符来完成的，如下列代码片段所示： 一旦我们准备好...
预测分析：R语言实现2.3 多元线性回归
2.3 多元线性回归 只要有多于一个输入特征，并且要构建一个线性回归模型，我们就处于多元线性回归的领域了。具有k个输入特征的多元线性回归模型的一般方程如下所示： y＝kxk＋k-1xk-1＋…＋1x1+0＋ 关于模型和误差分量的假设还是和简单线性回归的一样，记住，因为现在有了超过1个的输入特征，我们...
预测分析：R语言实现2.2 简单线性回归
2.2 简单线性回归 在着眼于某些真实环境的数据集之前，尝试在人造数据上训练模型是非常有帮助的。在这样的人造场景里，我们事先就知道了实际输出函数是什么，而这对于真实环境的数据来说通常是不成立的。进行这种练习的好处是，它会让我们对自己的模型在所有假设都完全成立的理想场景下的工作情况有清楚的了解，而且它...
预测分析：R语言实现2.1 线性回归入门
线 性 回 归 我们从第1章了解到回归问题会预测一个数值型的输出。最简单和最常见的回归类型就是线性回归。本章要探讨为什么线性回归如此常用，以及它的局限性和扩展问题。 2.1 线性回归入门 在线性回归（linear regression）中，输出变量是通过输入特征的一个线性加权组合来预测的。下面是简单...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。