線性迴歸節點.pptVIP

迴歸分析 迴歸分析可用來找出兩個或兩個以上計量變數間的關係，並進而從一群變數中可以預測資料趨勢 Ex：若某人知道廣告費用和銷售之關係，則他可以藉迴歸分析從廣告費用中預測銷售。 在迴歸分析中最簡單的模型是二變數的直線迴歸關係式，即所謂的簡單線性迴歸模型 Simple Linear Regression Model。 設Ｘ為自變數（獨立變數或解釋變數），Ｙ為因變數（相關變數或被解釋變數），在一特定Ｘ值下重複實驗或觀察，則Ｙ觀測值可構成一條件機率分配這兩變數的函數關係可以數學公式表示。 若x是自變數，y是因變數，則函數關係可表示為： y = f（x） 因此若巳知x之值，可由函數關係中計算出y之預測值。 Ex：若產品銷售額 y 與銷售單位 x 之關係為：一單位產品可銷售20元，則其相互關係得：y = 20x 函數  線性迴歸分析 研究某變數對其他變數的影響情況 模型：設自變數X：? 與因變數Y： ，where 第i個觀測值的因變數 第i個觀測值的自變數 誤差項 迴歸係數 模型的基本假設： 線性迴歸節點 該模型根據輸入欄位估計預測輸出欄位的最佳線性方程。迴歸方程代表一條直線或者平面，其預測值與真實輸出值的離差最小。這是一種非常常用的用於綜括資料並作出預測的統計方法。 要求：(1)只有數值型欄位可用於迴歸模型。 (2)必須只有一個“Out”欄位和一個以上的“In”欄位 (3)欄位方向爲“Both”或者“None”的欄位將被忽略， 同樣被忽略的還有非數值型欄位。 優點：迴歸模型相對簡單，並爲生成的預測給出易於解釋的數學方程。由於迴歸建模是一個比較成熟的統計方法，迴歸模型的特性容易理解。而且，迴歸模型訓練起來也非常快。線性迴歸節點提供自動選擇欄位的方法以刪除方程中的不顯著的輸入欄位。 線性迴歸節點模型選項 進入法（Enter）：將所有的欄位直接選進方程。 逐步篩選法（Stepwise）： 選擇方法一步一步建立方程。初始模型是最可能簡單的模型，方程中沒有一個輸入欄位。在每一步，對未進入方程的所有欄位進行評估，如果這些欄位中最好的欄位能顯著增強模型的預測效果，則添加該欄位進入方程。此外，已經存在於方程中的欄位將被重新評估，以決定其是否可被從方程中除去而不顯著減損方程效果。如果可以，則將被除去。隨後，重複進行該進程，添加或除去其他欄位。在沒有欄位可添加到方程以改進方程，也沒有欄位可被除去而不顯著減損方程時，生成最終模型。 後退法（Backwards）： 後退法欄位選擇與逐步迴歸欄位選擇的相似之處在於都是逐步建立模型。但是，這種方法下最初的模型包括所有的輸入欄位作爲預測欄位，欄位只能被剔除出模型而不能被添加到模型。對模型幾乎沒有貢獻的輸入欄位被一個一個的剔除出模型，直至剩下的每一個欄位都顯著影響模型預測效果，此時生成最終的模型。 前進法（Forwards）： 前進法本質上與後退法相反。這種方法下最初的模型是沒有任何輸入欄位的最簡化模型，欄位只能被添加到模型中而不能被剔除。在每一步，檢驗尚未進入模型的輸入欄位對模型的改進程度，對模型改進最大的欄位進入模型。在沒有欄位可添加到模型或者最好的備選欄位對模型沒有多大改進時，生成最終模型。 方程中包括常數(Include constant in equation）： 該選項決定是否在最終方程中包含常數項。在大多數情況下，應該選擇該選項。如果使用者有先驗知識，只要預測欄位爲零時輸出欄位總是爲零，則該選項很有用。 線性迴歸節點高級選項(Expert) 加權最小平方(Weighted Least Square)： 選擇以某個欄位來做加權，注意此欄位必須是數值型的欄位。 Stepping Criteria and Tolerance： 這些選項允許控制逐步篩選法、前進法、後退法中欄位進入和剔除的準則。 線性迴歸節點單步選項(Stepping Criteria and Tolerance) Use probability of F（即p-value）： (1) p值 Entry值，則欄位會添加到模型 (2) p值 Removal值，則欄