本文摘要：前言：人工智能机器学习有关算法内容，请求参看公众号之前涉及文章。

前言：人工智能机器学习有关算法内容，请求参看公众号之前涉及文章。人工智能之机器学习主要有三大类：1）分类；2）重返；3）聚类。今天我们重点探究一下重返模型（RM）。

重返不是单一的有监督自学技术，而是许多技术所属的整个类别。重返的目的是预测数值型的目标值，如预测商品价格、未来几天的PM2．5等。

最必要的办法是依据输出写一个目标值的计算公式，该公式就是所谓的回归方程（regressionequation）。欲回归方程中的回归系数的过程就是重返。重返是对现实值的一种迫近预测。重返是统计学中最有力的算法之一。

重返概念：重返是一个数学术语，指研究一组随机变量（Y1，Y2，…，Yi）和另一组（X1，X2，…，Xk）变量之间关系的统计分析方法，又称多重重返分析。其中，X1、X2，…，Xk是自变量，Y1，Y2，…，Yi是因变量。

重返模型：重返模型（RegressionModel）对统计资料关系展开定量叙述的一种数学模型。它是一种预测性的建模技术，研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术一般来说用作预测分析，时间序列模型以及找到变量之间的因果关系。重返分析：重返模型最重要的基础或者方法就是重返分析。

重返分析是研究一个变量（被说明变量）关于另一个（些）变量（说明变量）的明确倚赖关系的计算方法和理论，是建模和分析数据的最重要工具。重返分析是用未知样本对不得而知公式参数的估算，得出一个点集D，用一个函数去数值这个点集，并且使得点集与数值函数间的误差大于。

重返分类：在统计学中，重返分析（regressionanalysis）所指的是确认两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。重返分析按照牵涉到的变量多少，分成一元重返和多元回归分析；按照因变量的多少，可分成非常简单重返分析和多重重返分析；按照自变量和因变量之间的关系类型，可分成线性重返分析和非线性重返分析。

少见的重返种类有：线性重返、曲线重返、逻辑重返等。线性重返：如果数值函数为参数不得而知的线性函数，即因变量和自变量为线性关系时，则称作线性重返。通过大量训练，获得一个与数据数值效果最差的模型，可利用一些算法（比如大于二乘法、梯度上升法等）和工具（SPSS）来更慢更佳的训练出有限于的线性重返模型。

实质是解法出有每个特征自变量的权值θ。在训练过程中，特征选择，数值优化等都必须考虑到。最终目标是确认每个权值（参数）θ或者通过算法迫近现实的权值（参数）θ。

必须留意的是，线性重返不是指样本的线性，样本可以是非线性的，而是指对参数θ的线性。线性重返问题：可能会经常出现不出数值、非剩秩矩阵问题等。解决问题方法：解决问题不出数值问题，可使用局部权重线性重返LWLR（LocallyWeightedLinearRegression）。

解决问题非剩秩矩阵问题，可用于岭重返RR（ridgeregression）、Lasso法、前向逐步回归等。算法优点：1）最可说明的机器学习算法之一，解读与说明都十分直观；2）更容易用于，因为必须大于的回声；3）运营慢，效率高；4）最普遍用于的机器学习技术。

非线性重返：如果数值函数为参数不得而知的非线性函数，则称作非线性或曲线重返。非线性函数的解法一般可分成将非线性转换成线性和无法转换成线性两大类。

1）转换成线性：处置非线性重返的基本方法。通过变量转换，将非线性重返化作线性重返，然后用线性重返方法处置。一般使用线性迭代法、分段重返法、递归大于二乘法等。

2）无法转换成线性：基于重返问题的大于二乘法，在欲误差平方和大于的极值问题上，应用于了线性规划方法中对无约束极值问题的一种数学求解——单纯形法。该算法比较简单，发散效果和发散速度都较为理想。

少见的非线性重返模型：1）双曲线模型；2）幂函数模型；3）指数函数模型；4）对数函数模型；5）多项式模型。

本文来源：博鱼boyu体育sports-www.ecutigercard.com