圖說圖解機器學習（第2版） 課件 04. 簡單線性回歸實戰

人工智能基礎

--簡單線性回歸實戰大綱回顧場景說明KNIME建立工作流節點注釋大綱回顧回歸（Regression）簡單線性回歸

偏置(Bias)權重（Weight）協變量（Covariance）特征（Feature）響應,應變量（Response）標記（Label）大綱場景說明場景說明根據工作年限與工資的對應關系表，找出二者之間的關系，并預測“未知”工作年限時，工資會有多少。大綱KNIME建立工作流機器學習工作流程數據獲取數據處理模型訓練模型測試模型優化KNIME建立工作流數據獲取數據處理模型訓練模型測試模型優化KNIME建立工作流KNIME建立工作流導入數據待設置，且有警告已設置，待運行這個節點狀態是是什么待運行正在運行已運行錯誤ABCD提交單選題1分KNIME建立工作流觀察數據KNIME建立工作流數據可視化KNIME建立工作流數據獲取數據處理模型訓練模型測試模型優化KNIME建立工作流已有數據劃分為訓練數據和測試數據訓練數據：訓練模型測試數據：測試模型KNIME建立工作流訓練已知x和y，求

b

和w

KNIME建立工作流測試根據訓練出來的

b

和

w，使用沒有參加訓練的

x

預測

y

是多少，然后比較這個預測的y與真實的y的差別

KNIME建立工作流數據劃分：訓練集，測試集數據訓練數據（多數）訓練模型測試數據（少數）測試模型新的數據預測現有數據KNIME建立工作流數據劃分：訓練集，測試集數據訓練數據（多數）上課聽講測試數據（少數）課后作業新的數據考試現有數據下列關于數據的說法正確的是訓練數據應該多于測試數據測試數據可有可無訓練數據用來訓練模型測試數據包括完整的特征和標記數據，所以測試數據也可以用來訓練模型ABCD提交多選題2分KNIME建立工作流設置查看所有節點KNIME5版本對節點搜索結果的展示數量進行了限制，默認只顯示基礎功能節點，但是學習的機器學習大多涉及高級節點。KNIME建立工作流數據劃分：訓練集，測試集KNIME建立工作流數據獲取數據處理模型訓練模型測試模型優化KNIME建立工作流建立模型設置特征和目標使用線性回歸模型設置目標和特征KNIME建立工作流建立模型運行模型KNIME建立工作流解釋模型

模型KNIME建立工作流解釋模型Intercept:沒有工作經驗的話，能拿多少錢Coeff.：每增加一年工作經驗，工資漲多少？你覺得你想這兩數怎么變？如果這是你的個人數據預測結果你希望？斜率更大Intercept更大斜率更小Intercept更小ABCD提交投票最多可選2項KNIME建立工作流解釋模型R-Squared(決定系數)越接近1

越好P值(PValue)越小越好一般小于0.05的才算小P值某參數w可能取值0

但是仍然有可能取

0模型建立以后，權重w如果是

0

的話，模型其實沒什么用權重w有可能是

0

嗎P值某參數w可能取值0

但是仍然有可能取

0模型建立以后，權重w如果是

0

的話，模型其實沒什么用權重w有可能是

0

嗎P值零假設：假設參數就是

0p值檢驗零假設成立的可能性。p值若與選定顯著性水平（0.05或0.01）相比更小，則零假設會被否定而不可接受。某參數w可能取值0

W

有多大可能是

0

?KNIME建立工作流數據獲取數據處理模型訓練模型測試模型優化KNIME建立工作流驗證及測試模型模型新的輸入歷史數據未知訓練預測KNIME建立工作流整體工作流KNIME建立工作流驗證及測試模型查看預測效果KNIME建立工作流對比真實數據與測試數據KNIME節點注釋提高可讀性損失函數損失函數（lossfunction,

cost

function）是用來估量模型的預測值與真實值的不一致程度一個非負實值函數損失函數越小，模型的