回归技术

回归算法是用于预测连续数值的机器学习技术。他们是有监督的学习任务，这意味着他们需要标记的训练示例。

https://embed.notionlytics.com/wt/ZXlKd1lXZGxTV1FpT2lKbU9UTmpOR0psTWpnMFpXTTBZakZoWVdKbFlqazVaakEyTnpsaE1XSXlOeUlzSW5kdmNtdHpjR0ZqWlZSeVlXTnJaWEpKWkNJNklsZHNTR2hsVEZSUFdXeHpaVmRhUW1ZNU1YQmxJbjA9

案例：

• 根据尺寸，品牌和位置预测产品的适当价格
• 根据商店位置，公共假日，星期几和最接近的竞争对手来预测每天的销售数量

以下是最常用的预测数值的算法的介绍：线性回归，决策树，神经网络和K最近邻

线性回归

线性回归尝试将直的超平面拟合到最接近所有数据点的数据集中。当数据集中的变量之间存在线性关系时，这是最合适的。

优点：

• 快速计算，并可以轻松地使用新数据进行更新
• 相对容易理解和解释

可以使用正则化技术来防止过度拟合

缺点：

• 无法学习复杂的关系
• 难以捕获非线性关系（没有可能很复杂的第一个转换数据）

术语解释

hyperplane（超平面） - 一维（1D）空间中的超平面是一个点。 在二维（2D）空间中，它是一条线。 3维（3D）空间中的超平面是一个平面，是一个平面。 为了泛化任何维度，该概念称为超平面。

线性关系 - 如果第一个变量的变化与第二个变量的恒定变化相对应，则关系为线性。

**过度拟合 -**过度拟合模型将在发现的数据中发现特定的有用功能后，对训练数据具有非常高的准确性。但是，由于无法泛化，它对测试数据的准确性较低。

非线性关系 - 非线性关系是指第一个变量的变化不一定与第二个变量的恒定变化相对应。但是，它们可能会相互影响，但这似乎是可以预见的。