1. Os principais pontos de conhecimento desta seção são resumidos em suas próprias palavras, podem ser acompanhados de figuras e explicam a importância dos pontos de conhecimento
Na regressão linear, os dados são modelados usando funções de previsão linear e parâmetros de modelo desconhecidos também são estimados a partir dos dados.
Esses modelos são chamados de modelos lineares. A modelagem de regressão linear mais comumente usada é que a média condicional de y dado um valor X é uma função afim de X.
Em um caso menos geral, o modelo de regressão linear pode ser uma mediana ou alguns outros quantis da distribuição condicional de y dado X como uma função linear de X.
Como todas as formas de análise de regressão, a regressão linear também se concentra na distribuição de probabilidade condicional de y dado um valor de X, em vez da distribuição de probabilidade conjunta de X e y (domínio de análise multivariada).
Desde biologia, comportamento, ciências ambientais, ciências sociais a negócios, a regressão linear tem sido amplamente utilizada em todos os campos. Os modelos de regressão linear tornaram-se um método comprovado para prever de maneira científica e confiável o futuro.
Como a regressão linear é um programa estatístico com uma longa história, as propriedades dos modelos de regressão linear são bem conhecidas e podem ser treinadas muito rapidamente.
2. Pensando em que algoritmos de regressão linear podem ser usados? (Todo mundo tenta não escrever duplicatas)
(1) Prever a tendência da transmissão da influenza
(2) O limite diário básico do mercado de ações
(3) Previsão do período de pico do fluxo superior e inferior do trem
(4) Previsão centralizada dos locais de teste
3. Escreva um algoritmo de regressão linear de forma independente, os dados podem ser criados por você mesmo ou obtidos na Internet. (Pontos positivos)
