机器学习算法（8）之多元线性回归分析理论详解

前言：当影响因变量的因素是多个时候，这种一个变量同时与多个变量的回归问题就是多元回归，分为：多元线性回归和多元非线性回归。线性回归(Linear regressions)和逻辑回归(Logistic regressions)是人们学习算法的第一个预测模型。因此它们很常见，还有许多分析人员认为它们是仅有的回归模型，部分分析师认为它们是所有回归模型中最重要的。 事实上有无数的回归模型都能被使用，每种形式的回归模型都有它独特且重要的应用场景。在这篇文章里以简单的方式解释最常用的7种回归模型，通过这篇文章，对回归模型有一种广泛性的了解，取而代之的是希望能在每个场景合适的使用linear / logistic regression。

一、回归分析(Regression Analysis)定义与分类

        回归分析（Regression Analysis）是一种统计学上分析数据的方法，目的在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。更具体的来说，回归分析可以帮助人们了解在只有一个自变量变化时因变量的变化量。一般来说，通过回归分析我们可以由给出的自变量估计因变量的条件期望。回归分析是建立因变数  Y（或称依变数，反应变数）与自变数 X（或称独变数，解释变数）之间关系的模型。

回归分析的主要算法包括：

1. 线性回归(Linear Regression)
2. 逻辑回归（Logistic regressions）

<

今天的文章机器学习算法（8）之多元线性回归分析理论详解分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。