引言 在机器学习中，模型的性能和准确性完全取决于我们提供给它的数据，因此它是模型训练和模型构建中最有影响的参数。主要是在处理监督式机器学习问题时，数据集里大多包含分类变量和连续变量。将分类变量转换为连续变量有一些好处。在本文中，我们将讨论将分类变量转换为连续变量的一些好处，它如何影响模型的性能，以及这样做的核心思想。 ... 阅读更多

引言 评估机器学习模型是确定其性能和对特定任务适用性的关键步骤。根据问题的性质和可用数据，可以使用多种评估方法来衡量机器学习模型。评估方法 以下是机器学习中常用的几种理想评估方法：训练/测试分割 此策略旨在模拟模型遇到新数据的真实情况。我们可以通过在训练集上训练模型，然后评估它对未观察到的样本的泛化能力来确定模型的有效性…… 阅读更多

引言 多重共线性是一种现象，其特征是预测变量之间存在高度相关或线性依赖关系，这在回归分析中带来了重大挑战。本文探讨了多重共线性对统计模型的不利影响，重点关注诸如系数估计不可靠、模型可解释性降低、标准误差增加以及变量使用效率低下等问题。我们深入探讨了多重共线性的后果，并讨论了减轻其影响的潜在解决方案。通过理解和解决多重共线性，研究人员和从业者可以提高回归模型的准确性、可靠性和可解释性，从而实现更强大的分析和更明智的决策。多重共线性的问题 不可靠的系数估计 因为…… 阅读更多

引言 每当处理时间序列数据时，务必采用一种考虑数据时间顺序的交叉验证方法。这是因为时间序列数据显示出自相关性，这意味着数据点的值与其先前值相关。因此，与许多其他机器学习应用程序不同，数据不能被认为是独立且同分布的 (iid)。标准的 k 折交叉验证技术将数据随机分成 k 折，并在 k-1 折上训练模型，然后在剩余的折上进行测试，这种方法不适用于时间序列数据…… 阅读更多

引言 当今的大数据时代需要一种可靠且有效的方法来从数据集中选择重要变量。由于有如此多的特征可用，确定哪些特征对目标变量影响最大可能很困难。只选择最重要的变量可以提高模型性能，提高模型的可解释性，并降低过拟合的风险。本文介绍了几种从数据集中选择重要变量的方法。我们将讨论单变量特征选择和正则化等基本统计方法，以及 PCA 和特征重要性等更复杂的技术…… 阅读更多