关于回归分析的笔记：
原理理解:
确定两种及两种以上变量相互依赖的定量关系的一种统计分析方法。
步骤：
1）确定目标，也就是因变量。接着确定自变量。可以做散点图观察变量和自变量间的关系。
2）建立回归方程模型：用最小二乘估计，当sse 即离差平方和达到最小的时候确定的自变量系数。
3）相关性分析
一个实际案例：父母的身高是否影响子女的身高？（联系：预估分的高低是否影响考试成绩？）
思考：用t检验，把父母身高分为高矮两组，如果有影响，那么父母身高高的组子女身高应该显著高于父母矮的一组（联系，预估分高的学生考试成绩应该显著高于预估分低的）
这里预估分的高低有很多划分标准，不同标准结果会不同。此时可以用回归分析解决
-
线性回归模型：
假设预测变量和预测值之间存在线性关系。
揭示两个变量之间是否具有相关性，而非因果关系。预测变量：父母身高 预测值：子女身高 误差项：模型无法解释的个体差异 线性回归模型：回归线加上误差项来描述预测值和预测变量之间的关系
一 . 建立线性模型：
[]截距：每当x增加一个单位，y增加的多少。
[]似然：likelyhood，在假设我们的估计就是真实值的情况下，观测到我们手上数据的可能性有多大。相当于一个概率值，当然可能性越大越好。能够衡量这种可能性的函数就叫似然函数，似然最大的点就叫极大似然估计。
[]最小二乘解：极大似然解的几何意义：在所有截距和回归系数的组合中，能够是的误差平方和最小的一组，这个组合就是最小二乘解。
通过极大似然法计算最符合数据的回归线，从而建立因变量与自变量之间的线形模型。
二. 验证模型的合理性
1 . 系数验证：
验证线性模型中自变量和因变量是否具有显著的线性关系——检验回归线的斜率是否为0。此时每个样本对应的似然斜率呈现为一个正态分布，如果这个斜率的方差越小，那么对斜率的估计就越准确。（此处用F检验和t检验）
由于斜率的方差与误差项的方差是正比，与自变量方差成反比。因此，采集数据样本的时候，尽量涵盖自变量所有范围。
在对斜率进行假设检验之后，得到p值和置信区间。如果p>0.05,说明显著，所以拒绝原假设，
-
判别系数 R2
R2=1-误差平方和/总平方和。越接近1越合理。
我们可以通过一次次增加回归因子进行判断取舍，找到最合适的模型。但是最终好的模型需要用新数据检验，也就是预测集（我们回归分析的一大目的就是做预测，所以预测集用于验证）这时用预测集得到的样本外R方，越接近1就说明拟合最好。
如果检测模型中有一个模型R方最高，而该模型下预测集的R方低，说明该模型过拟合。3.其他标准：
修正的R方：越接近1越好
AIC：越小越好
BIC：越小越好
三. 如果结果不显著怎么办？
1.思考统计功效是否足够，想办法多收集数据，尤其距离平均值比较远的数据。
2.影响y的值，不止一个因素，还有其他因素。考虑多元回归。
二元回归：性别做0/1分类
多元线性规划：
先对第一个系数做中心化处理；增加交互因子（x1*x2);
注意：如果某一个因子的系数检测出来不显著，也可能是有其他因子是相互抵消关系，导致结果不显著。
计算方差膨胀因子——VIF: 代表每个自变量与其他自变量的相关性。所以越小越好。
python 操作思路：
1，交叉验证：对训练数据集分成三类做交叉验证
from sklearn.linear_model import LinearRegression
from sklearn.cross_validation import KFold
alg=LinearRegression()
kf=KFold( len ,n_folds=?,random_state=1)
2, 确定特征集
3，应用回归模型进行拟合
predictions=[ ] #定义一个空列表
for train, test in kf:
train_predictors=...
train_target=…
alg.fit=(train_predictors, train_target). #拟合曲线
test_predictions=alg.predict( )
Predictions.append(test_predictions) #将测试结果放入list中
4，特征工程
选择合适的特征作为进行回归拟合
