『技术』数据分析师必须掌握的7个回归分析方法( 四 ) |分析师|国创上头条|经济|

选择变量的数目没有限制

它可以承受双重收缩

除了这7个最常用的回归技术，你也可以看看其他模型，如Bayesian、Ecological和Robust回归。
如何正确选择回归模型？
当你只知道一个或两个技术时，生活往往很简单。我知道的一个培训机构告诉他们的学生，如果结果是连续的，就使用线性回归。如果是二元的，就使用逻辑回归！然而，在我们的处理中，可选择的越多，选择正确的一个就越难。类似的情况下也发生在回归模型中。
在多类回归模型中，基于自变量和因变量的类型，数据的维数以及数据的其它基本特征的情况下，选择最合适的技术非常重要。以下是你要选择正确的回归模型的关键因素：
1. 数据探索是构建预测模型的必然组成部分
在选择合适的模型时，比如识别变量的关系和影响时，它应该首选的一步。
2. 比较适合于不同模型的优点，我们可以分析不同的指标参数
如统计意义的参数， R-square ， Adjusted R-square ， AIC ， BIC以及误差项，另一个是Mallows' Cp准则。这个主要是通过将模型与所有可能的子模型进行对比（或谨慎选择他们），检查在你的模型中可能出现的偏差。
3. 交叉验证是评估预测模型最好额方法
在这里，将你的数据集分成两份（一份做训练和一份做验证）。使用观测值和预测值之间的一个简单均方差来衡量你的预测精度。
4. 如果你的数据集是多个混合变量，那么你就不应该选择自动模型选择方法，因为你应该不想在同一时间把所有变量放在同一个模型中。
5. 它也将取决于你的目的
可能会出现这样的情况，一个不太强大的模型与具有高度统计学意义的模型相比，更易于实现。
6. 回归正则化方法（Lasso ， Ridge和ElasticNet）在高维和数据集变量之间多重共线性情况下运行良好。
End.
来源：知乎
· 爱数据每周免费直播 ·
直播主题：如何应聘在线医疗行业数据分析岗位
直播内容：