如何选择有噪声(散乱)数据的回归算法？
如何选择有噪声(散乱)数据的回归算法？
提问于 2015-12-26 20:01:23
我要用多个变量进行回归分析。在我的数据中，我有n =23个特性和m = 13000训练示例。以下是我的培训数据(房屋面积与价格对比)：
关于这个情节有13000个训练例子。正如你所看到的，它是相对嘈杂的数据。我的问题是，在我的情况下，哪种回归算法更合适、更合理。我的意思是，使用简单的线性回归算法还是一些非线性回归算法更符合逻辑？
更清楚的是，我提供了一些例子。
以下是一些不相关的线性回归拟合示例：
一些不相关的非线性回归拟合例子：
现在，我为我的数据提供了一些假设回归线：
AFAIK原始线性回归对我的数据会产生很高的误差代价，因为它是非常嘈杂和分散的数据。另一方面，没有明显的非线性模式(例如正弦)。在我的案例(房价数据)中，为了得到多少合适的房价预测，什么样的回归算法会更合理，为什么这个算法(线性还是非线性)更合理？
回答 1
Stack Overflow用户
回答已采纳
发布于 2015-12-27 00:37:01
使用非线性算法可以减少训练集上的误差，因为您将使用一条更适合您的数据的曲线。然而，它可能导致过度拟合。
为了避免这种情况，一个好的做法是同时在培训数据和测试数据上绘制错误(成本函数)。在模型中增加更多的复杂性将减少训练数据上的错误，但在某一时刻，它会使您的测试数据更高。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/34474767
复制相关文章
相似问题
腾讯云开发者
