php网站建设英文文献网站制作关键

php网站建设英文文献,网站制作关键,wordpress批量增加用户权限,访问一个网站的全过程1、线性回归定义线性回归是利用数理统计中回归分析#xff0c;来确定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。相关关系:包含因果关系和平行关系因果关系:回归分析【原因引起结果#xff0c;需要明确自变量和因变量平行关系:相关分析【无因果关系#xf…1、线性回归定义线性回归是利用数理统计中回归分析来确定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。相关关系:包含因果关系和平行关系因果关系:回归分析【原因引起结果需要明确自变量和因变量平行关系:相关分析【无因果关系不区分自变量和因变量2、一元线性回归模型一元线性回归模型是分析一个自变量X 与一个因变量Y 之间线性关系的统计模型核心表达式为Y β₀ β₁X ε其中• β₀ 是截距项X0时Y的估计值β₁ 是斜率X每变化1单位Y的平均变化量• ε 是随机误差项表示模型无法解释的Y的变异满足均值为0、方差恒定等假设。误差项除线性因素外的随机因素所产生的误差3、多元线性回归模型多元线性回归模型是分析多个自变量X₁, X₂, ..., Xₖ 与一个因变量Y 之间线性关系的统计模型核心表达式为Y β₀ β₁X₁ β₂X₂ … βₖXₖ ε其中β₀ 是截距项所有自变量为0时Y的估计值β₁~βₖ 是偏回归系数某一自变量变化1单位、其他自变量固定时Y的平均变化量ε 是随机误差项满足均值为0、方差恒定、独立性、正态性等假设。4、误差项分析1误差项可以省略吗答误差项不可省略误差是必然产生的。并且由于产生了误差项我们便可以基于误差的特点来进行对线性回归的参数估计的。2误差项有什么特点答独立同分布。独立每个样本点都是独立的例贷款每个人与每个人之间是没有联系的贷多少钱完全基于你的工资。同分布同分布就是我的这套估计体系是我人民银行的估计体系每个人都是服从我的分布体系不会使用别人的也就是说每个样本点都处于同一个分布函数下。3误差项满足高斯分布5、极大似然估计极大似然估计是一种统计方法用于估计概率模型的参数。其核心思想是选择能够使观测数据出现概率最大的参数值。通过最大化似然函数或对数似然函数找到最符合数据的参数估计。6、似然函数求解保留1/2是因为方便后续的求导7、相关系数又称皮尔逊相关系数是研究变量之间相关关系的度量一般用字母r表示CovX,Y为X与Y的协方差Var[X]为X的方差Var[Y]为Y的方差相关系数的解释1. |r|≥0.8时视为两个变量之间高度相关2. 0.5≤|r|0.8时视为中度相关3. 0.3≤|r|0.5时视为低度相关4. |r|0.3时说明两个变量之间的相关程度极弱可视为不相关8、拟合优度注分子第一个y表示预测值第二个y表示平均值分母第一个y表示真实值9、statsmodelsstatsmodels是一个有很多统计模型的python库能完成很多统计测试数据探索以及可视化。它也包含一些经典的统计方法比如贝叶斯方法等。• 线性模型• 线性混合效应模型• 方差分析方法• 时间序列模型• 广义矩阵估计方法1假设检验原理小概率原理小概率事件在一次抽样中不会发生。H0原假设 【希望原假设被接受】H1备择假设 【与原假设对立】接受H0与拒绝H0的判别方法看小概率事件是否发生。2假设检验的步骤1. 先假设H0是真的然后判别小概率事件是否发生如果发生就拒绝H0接受H1如果没有发生就接受H0。解释整体的思想为小概率事件在一次抽样中不发生小概率事件不发生是极大概率事件所以上面的假设就是合理的。2. 深入思考如果小概率事件发生了此时却拒绝了H0就是拒绝了真实的情况那么就犯了第一类错误即拒真拒真的概率就是我们所定的即显著性水平一般为0.05。3检验方法F检验线性关系检验目的检验自变量x与因变量y之间的线性关系是否显著或者说他们之间能否用一个线性模型来表示。【对于整个方程显著性的检验】T检验回归系数检验目的通过对回归系数\beta与0的检验看其是否有显著性差异来判断回归系数是否显著。【检验系数是否显著】4调整R方简单来说就是使用R方时不断添加变量能让模型的效果看似提升但这种提升是虚假的。而利用调整后的决定系数adjusted r square能对添加的非显著变量给出惩罚即随意添加一个变量不一定能让模型拟合度上升。注如果针对的是多元线性回归调整R方效果更好10、数据标准化10~1标准化也叫离差标准化是对原始数据的线性变换使结果映射到[0,1]区间2Z标准化这种方法基于原始数据的均值和标准差进行数据的标准化。将A的原始值x使用z-score标准化到x11、sklearn实现一元线性回归import pandas as pd from sklearn.linear_model import LinearRegression from matplotlib import pyplot as plt apd.read_csv(data.csv) #绘制散点图 plt.scatter(a.广告投入,a.销售额) plt.show() # corr data.corr()#求x和y的相关系数 #估计模型参数建立回归模型 lrLinearRegression() xa[[广告投入]] ya[[销售额]] lr.fit(x,y)#训练模型 # 对回归模型进行检验 blr.predict(x) scoreslr.score(x,y)#这里的R方指的就是scores print(scores) nlr.coef_#斜率 jlr.intercept_#截距 print(n[0][0]) print(j[0])