页面树结构
转至元数据结尾
转至元数据起始

概述

一种常用的回归方法,它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方法,通过凸优化的方法进行求解,以达到预测评估的效果。

示例

使用“波士顿房价预测”案例数据,预测波士顿房价。

其中,相关性分析是为了分析特征变量与目标变量的相关性系数,方便特征选择进入模型训练。

线性回归的参数如下:

参数名称

说明

归一化

正则化

详情请参考 归一化 介绍说明。

标准化

最小最大值归一化

最大绝对值归一化

最大迭代数

参数范围为:>=0的整数,默认值为10

算法的最大迭代次数,达到最大迭代次数即退出。

最大迭代次数的值越大,模型训练更充分,但会耗费更多时间。

混合参数

参数范围为:[0,1]的数,默认值为0

控制惩罚类型,平方误差损失函数中的 ρ,参数范围为:[0,1]的数。其中:0表示L2惩罚,1表示L1惩罚,0~1表示L1和L2惩罚的结合。

对模型系数惩罚(或称正则化)可减少模型过拟合。

正则参数

参数范围为:>=0的数,默认值为 :0。

正则项系数,损失函数中的 。

正则化可以解决模型训练中的过拟合现象;

正则项系数越大,模型越不会过拟合。

epsilon

参数范围为:>1的数。默认值为1.35

huber损失函数中的 δ ;调节损失函数,用于控制算法模型的健壮性;

epsilon 越大,损失函数对异常点惩罚就越大,也就是对异常点越敏感;

收敛阈值

参数范围为:>=0的数,默认值为 :0.000001。

收敛误差值。

收敛误差值,当损失函数取值优化到小于收敛阈值时停止迭代。

损失函数

squaredError

可待优化的损失函数,用于衡量模型的输出值和真实值之间的差距。

squaredError表示平方误差,huber表示平滑平均绝对误差。

huber