回归是统计学中最有力的工具之一，机器学习监督学习算法分为分类算法和回归算法两种。回归算法用于连续型分布预测，可以预测连续型数据而不仅仅是离散的类别标签。
回归分析在机器学习领域得到广泛应用，例如预测商品销量、交通流量、房价以及天气情况等
回归算法是一种常用的机器学习算法，用于建立自变量X和因变量Y之间的关系。从机器学习的角度来看，它用于构建一个算法模型（函数），以实现属性X和标签Y之间的映射关系。在学习过程中，该算法试图找到最佳的参数关系，以使拟合程度最好
在回归算法中，算法（函数）的最终结果是一个连续的数据值。输入值（属性值）是一个d维度的属性/数值向量
英特尔AI工具
英特尔AI与机器学习解决方案
70 查看详情
一些常用的回归算法包括线性回归、多项式回归、决策树回归、Ridge回归、Lasso回归、ElasticNet回归等等
本文将介绍一些常见的回归算法，以及它们各自的特点
线性回归多项式回归支持向量机回归决策树回归随机森林回归LASSO 回归Ridge 回归ElasticNet 回归XGBoost 回归局部加权线性回归
一、线性回归
线性回归通常是人们学习机器学习和数据科学的第一个算法。线性回归是一种线性模型，它假设输入变量 (X) 和单个输出变量 (y) 之间存在线性关系。一般来说，有两种情况：
单变量线性回归是一种建模方法，用于分析单个输入变量（即单个特征变量）与单个输出变量之间的关系
多变量线性回归（也称为多元线性回归）：它对多个输入变量（多个特征变量）和单个输出变量之间的关系进行建模。
关于线性回归的几个关键点：
快速且易于建模当要建模的关系不是非常复杂并且您没有大量数据时，它特别有用。非常直观的理解和解释。它对异常值非常敏感。
二、多项式回归
当我们想要为非线性可分数据创建模型时，多项式回归是最受欢迎的选择之一。它类似于线性回归，但使用变量 X 和 y 之间的关系来找到绘制适合数据点的曲线的最佳方法。
关于多项式回归的几个关键点：
能够对非线性可分数据进行建模；线性回归不能做到这一点。一般来说，它更加灵活，可以对一些相当复杂的关系进行建模。完全控制特征变量的建模（要设置的指数）。需要精心设计。需要一些数据知识才能选择最佳指数。如果指数选择不当，则容易过度拟合。
三、支持向量机回归
支持向量机在分类问题中是众所周知的。SVM 在回归中的使用称为支持向量回归(SVR)。Scikit-learn在 SVR()中内置了这种方法。
关于支持向量回归的几个关键点：
它对异常值具有鲁棒性，并且在高维空间中有效它具有出色的泛化能力（能够正确适应新的、以前看不见的数据）如果特征数量远大于样本数量，则容易过拟合
四、决策树回归
决策树是一种用于分类和回归的非参数监督学习方法。目标是创建一个模型，通过学习从数据特征推断出的简单决策规则来预测目标变量的值。一棵树可以看作是一个分段常数近似。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
关于决策树的几个关键点：
易于理解和解释。树可以可视化。适用于分类值和连续值使用 DT（即预测数据）的成本与用于训练树的数据点数量成对数决策树的预测既不平滑也不连续（如上图所示为分段常数近似）
五、随机森林回归
随机森林回归与决策树回归基本上非常相似。它是一种元估计器，可以在数据集的各个子样本上拟合多个决策树，并通过平均来提高预测准确性和控制过拟合
随机森林回归器在回归问题中的表现可能会优于决策树，也可能不如决策树（尽管在分类问题中通常更好），这是由于树构造算法本身存在微妙的过拟合和欠拟合的权衡
关于随机森林回归的几点：
减少决策树中的过度拟合并提高准确性。它也适用于分类值和连续值。需要大量计算能力和资源，因为它适合许多决策树来组合它们的输出。
六、LASSO 回归
LASSO回归是一种变体的收缩线性回归。收缩是将数据值收缩到中心点作为平均值的过程。这种回归类型非常适用于具有严重多重共线性（特征之间高度相关）的模型
关于 Lasso 回归的几点：
它最常用于消除自动变量和选择特征。它非常适合显示重度多重共线性（特征相互之间高度相关）的模型。LASSO 回归利用 L1 正则化LASSO 回归被认为比 Ridge 更好，因为它只选择了一些特征并将其他特征的系数降低到零。
七、岭回归
岭回归（Ridge regression）和LASSO回归非常相似，因为这两种技术都采用了收缩方法。Ridge和LASSO回归都非常适用于具有严重多重共线性问题（即特征之间高度相关）的模型。它们之间的主要区别在于Ridge使用L2正则化，这意味着没有一个系数会像LASSO回归中那样变为零（而是接近零）
关于岭回归的几点：
它非常适合显示重度多重共线性（特征相互之间高度相关）的模型。岭回归使用 L2 正则化。贡献较小的特征将具有接近于零的系数。由于 L2 正则化的性质，岭回归被认为比 LASSO 更差。
八、ElasticNet 回归
ElasticNet 是另一个使用 L1 和 L2 正则化训练的线性回归模型。它是 Lasso 和 Ridge 回归技术的混合体，因此它也非常适合显示重度多重共线性（特征相互之间高度相关）的模型。
在权衡Lasso和Ridge之间时，一个实际的优势是Elastic-Net可以在旋转下继承Ridge的一些稳定性
九、XGBoost 回归
XGBoost 是梯度提升算法的一种高效且有效的实现。梯度提升是一类可用于分类或回归问题的集成机器学习算法
XGBoost是一个开源库，最初由陈天奇在他于2016年的论文《XGBoost: A Scalable Tree Boosting System》中开发。该算法的设计旨在具有高效和效率的计算能力
关于 XGBoost 的几点：
XGBoost 在稀疏和非结构化数据上表现不佳。该算法被设计为计算效率和高效，但是对于大型数据集的训练时间仍然相当长。它对异常值很敏感。
十、局部加权线性回归
在局部加权线性回归（Local Weights Linear Regression）中，我们也是在进行线性回归。然而，与普通线性回归不同的是，局部加权线性回归是一种局部线性回归方法。它通过引入权值（核函数），在进行预测时，只使用与测试点相近的部分样本来计算回归系数。普通线性回归则是全局线性回归，它使用全部的样本来计算回归系数
优缺点 & 适用场景
优点就是通过核函数加权来预防欠拟合，缺点也很明显K需要调试。当多元线性回归过拟合的时候，可以尝试高斯核局部加权来预防过拟合。
十一、贝叶斯岭回归
使用贝叶斯推断方法求解的线性回归模型被称为贝叶斯线性回归
贝叶斯线性回归是一种将线性模型的参数视为随机变量的方法，并通过先验计算后验。贝叶斯线性回归可以通过数值方法求解，在特定条件下也可以得到解析形式的后验或相关统计量
贝叶斯线性回归具有贝叶斯统计模型的基本性质，可以求解权重系数的概率密度函数，进行在线学习以及基于贝叶斯因子（Bayes factor）的模型假设检验
优缺点 & 适用场景
贝叶斯回归的优点在于其具有数据自适应能力，可以重复利用数据并防止过度拟合。在估计过程中，可以引入正则化项，例如在贝叶斯线性回归中引入L2正则化项，就可以实现贝叶斯岭回归
缺点就是学习过程开销太大。当特征数在10个以为，可以尝试贝叶斯回归。
以上就是常用的回归算法及其特点在机器学习中的应用的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/456093.html
微信扫一扫 
支付宝扫一扫 
