Matlab数据分析;第6章;1）收集一组包含因变量和白变量的数据。

2）选定因变量与白变量之间的模型，即一个数学式子，利用数据按照最小二乘准则计算模型中的参数。

3）利用统计分析方法对不同的模型进行比较，找出与数据拟合得最好的模型。

4）判断得到的模型是否适合于这组数据。

5）利用模型对因变量作出预测或解释。

常见的回归算法如下。

（1）OLS线性回归

1）工作原理：线性回归是一项统计建模技术，用来描述作为一个或多个预测自变量的线性函数的连续因变量。

2）最佳使用时机：当需要易于解释和快速拟合算法时，线性回归可作为评估其他更复杂回归模型的基准。;（2）非线性回归

1）工作原理：非线性回归是一种有助于描述试验数据中非线性关系的统计建模技术。

2）最佳使用时机：当数据有很强的非线性趋势，不容易转化成线性空间时，可适用于自定义模型与数据拟合。

（3）高斯过程回归

1）工作原理：高斯过程回归（GPR）模型是非参数模型，用于预测连续因变量的值。

2）最佳使用时机：适用于对空间数据插值，如针对地下水分布的水文地质学数据、作为有助于优化汽车发动机等复杂设计的替代模型。;（4）SVM回归

1）工作原理：SVM回归算法类似于SVM分类算法，但经过改良，能够预测连续响应。

2）最佳使用时机：适用于高维数据（将会有大量的预测自变量）。

（5）广叉线性模型

1）工作原理：广义线性模型是使用线性方法的非线性模型的一种特殊情况。

2）最佳使用时机：当因变量有非正态分布时，如始终预期为正值的因变量。

（6）回归决策树

1）工作原理：回归决策树类似于分类决策树，但经过改良能够预测连续响应，如图6-6所示。;应用案例

预测能量负荷

1）改进模型。

2）特征选择。

3）特征变换。

4）训练模型。

5）超参数调优。;6.1概述;6.1概述;6.1概述;6.2一元曲线拟合;6.2一元曲线拟合;6.2一元曲线拟合;6.2一元曲线拟合;6.2一元曲线拟合;6.2一元曲线拟合;6.2一元曲线拟合;6.2一元曲线拟合;6.2一元曲线拟合;6.2一元曲线拟合;6.3多元线性回归模型;6.3多元线性回归模型;6.3多元线性回归模型;6.3多元线性??归模型;6.3多元线性回归模型;6.3多元线性回归模型;6.3多元线性回归模型;6.3多元线性回归模型;6.3多元线性回归模型;6.3多元线性回归模型;6.4逐步回归模型;6.4逐步回归模型;第7章;7.1简介;7.1简介;7.1简介;7.1简介;7.1简介;7.1简介;7.1简介;7.1简介;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.2谱系聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.3k均值聚类;7.4层次聚类;7.4层次聚类;7.4层次聚类;7.4层次聚类;7.5高斯混合模型聚类;7.5高斯混合模型聚类;第8章;8.1分类算法简介;8.1分类算法简介;8.1分类算法简介;8.1分类算法简介;8.1分类算法简介;8.1分类算法简介;8.1分类算法简介;8.1分类算法简介;8.2分类的评判;8.2分类的评判;8.2分类的评判;8.2分类的评判;8.2分类的评判;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.3判别分析分类的具体应用;8.4