数据挖掘技术与应用案例教程项目4回归分析.pptxVIP

数据挖掘技术与应用案例教程

数据挖掘基础数据探索与预处理分类回归分析聚类关联规则挖掘人工神经网络与深度学习综合案例——北京二手房数据挖掘

项目四回归分析

项目导读回归分析是数据挖掘的主要任务之一，它能够从数据中提取有价值的信息，为决策者提供科学的决策依据。在实际应用中，无论是预测经济走势、评估医疗效果，还是研究环境变化对生态的影响等，回归分析都能发挥关键作用。本项目就来学习回归分析的相关知识，以及构建回归模型的常用方法。

知识目标熟悉回归分析的概念、过程和分类，以及回归模型的评价指标。理解一元线性回归模型原理并掌握其实现方法。理解多元线性回归模型原理并掌握其实现方法。理解逻辑回归模型原理并掌握其实现方法。项目目标技能目标能够使用合适的回归模型对目标数据进行预测。素养目标培养探究事物联系与发展规律的意识。提高选择合适方法解决不同问题的能力。

全班学生以3～5人为一组进行分组，各组选出组长。组长组织组员扫码观看“回归分析的应用”视频，讨论并回答下列问题。问题1：总结回归分析的作用。问题2：列举几个日常生活中应用回归分析的场景。项目准备回归分析的应用

项目导航4.3多元线性回归4.4逻辑回归4.1回归分析概述4.2一元线性回归

4.1回归分析概述

定义：基于数据统计原理的分析方法，它通过确定自变量与因变量之间的关系，构建一个有效的数学模型（回归方程），用于预测因变量的变化。因此，回归分析是一种预测性的建模技术。4.1.1回归分析的概念及过程 1．回归分析的概念回归分析VS分类相同点：均可用于完成数据挖掘的预测性任务，不同点：分类输出的是离散数据，回归分析输出的是连续数据。

一般来说，回归分析的主要过程如下。4.1.1回归分析的概念及过程 2．回归分析的过程（4）利用最终建立的回归模型对新样本进行预测。（1）确定要预测的因变量和可能影响因变量的自变量。（2）根据因变量与自变量之间的关系构建恰当的回归方程，即构建回归模型。（3）对构建的回归模型进行评价，并根据评价结果对回归模型进行优化，如添加或删除自变量等。

回归分析有多种分类方式，下面介绍最常见的两种。4.1.2回归分析的分类 在实际应用中，如果有多个因变量，通常会针对每个因变量分别进行回归分析，或者使用一些专门处理多因变量情况的方法。想要深入了解多因变量的情况，可参考其他资料自行了解。研究多个自变量和一个因变量之间的关系。回归分析按照涉及变量的数量一元回归分析多元回归分析研究一个自变量和一个因变量之间的关系。

回归分析按照自变量和因变量之间的关系类型线性回归分析非线性回归分析4.1.2回归分析的分类 在实际应用中，常用的回归分析有一元线性回归分析、多元线性回归分析等。除此之外，逻辑回归分析也是经常使用的一种回归分析，它适用于处理因变量是分类变量的情况。自变量和因变量之间的关系是非线性的。自变量和因变量之间的关系是线性的。是回归分析中最常用、最基本的形式。

4.1.3回归模型的评价指标 常用的回归模型评价指标均方误差均方根误差平均绝对误差决定系数

假设每个数据的真实值为，预测值为，那么各评价指标的含义及计算公式如下。4.1.3回归模型的评价指标 （4-1）（4-2）MSE越小，表示模型的预测能力越强RMSE越小，表示模型的预测能力越强（1）均方误差（meansquarederror,MSE）定义：真实值与预测值之间差异的平方的平均数。计算公式：定义：均方误差的平方根，用于衡量预测值与真实值之间的平均差异。计算公式：（2）均方根误差（rootmeansquareerror,RMSE）

定义：真实值与预测值之间绝对差异的平均数。计算公式：4.1.3回归模型的评价指标 （4-3）MAE越小，表示模型的预测能力越强与MSE不同的是，MAE更关注预测值与真实值的绝对差异（3）平均绝对误差（meanabsoluteerror,MAE）

定义：决定系数（）表示回归模型对原始数据的拟合程度。计算公式：4.1.3回归模型的评价指标 （4-4）需要注意的是，随着模型中自变量数量的增加，R2也会增大。因此，R2不能作为评价模型性能的唯一指标。取值范围是0～1，越接近1，说明模型的拟合效果越好；越接近0，说明模型的拟合效果越差。真实值的平均数方差（4）决定系数

课堂检测 1、简述回归分析。2、简要概括回归模型的评价指标。

课堂小结 回归分析概述回归分析的概念及过程回归分析的分类回归模型的评价指标

4.2一元线性回归

一元线性回归定义：根据一个自变量与一个因变量之间的线性关系，构建一元线性回归模型预测新样本目标值的分析方法。在实际应用中，因变量通常受多种因素的影响。因此，需要先对多种因素进行相关性分析，确定其中存在一个对因变量的影响