對於非標準化的係數，資料在未標準化之前是不能直接用來直接比較「重要性大小」的。因為因子本身資料存在差異，看因子重要程度要用標準化係數。
標準化的回歸係數是指將資料標準化（減均值除方差）後計算得到的回歸係數。因為資料進行了標準化，因此就取消了量綱的影響。
假設因變數為y，自變數為x，標準回歸係數為a。那麼在解釋時就要說，當x變化1個標準差是，y變化a個標準差。
標準化後的回歸係數在不同自變數之間是可比的，沒有標準化之前是不可比的。
舉乙個例子：
假設因變數是乙個人的外貌給人的印象（y），自變數有身高（x1）、體重（x2）
假如未標準化的回歸係數分別為a1、a2。在解釋時就要說，在體重不變的前提下，當身高增加1厘公尺時，y增加a1個單位；在身高不變的前提下，體重（x2）增加1千克，y就增加a2個單位。假設a1>a2,那我們能說身高對乙個人的外貌比體重更重要嗎？這是不能的，因為身高的1厘公尺和體重的一厘公尺對於他們自身來說重要的程度是不一樣的。
必須用標準化的回歸係數才能比較，因為那時都是身高或體重增加乙個標準差，外貌打分增加多少。這時，身高跟體重都增加了乙個標準差，這對於他們自身的重要程度是一樣的。
線性回歸計算回歸係數
線性回歸 優點 結果易於理解，計算上不複雜 缺點 對非線性的資料擬合不好 適用資料型別 數值型和標稱型資料 標稱型資料 一般在有限的資料中取，而且只存在 是 和 否 兩種不同的結果 一般用於分類 數值型資料 可以在無線的資料中取，而且數值比較具體化，例如4.02,6.23這種值 一般用於回歸分析 回...
回歸（二） 縮減係數
回歸演算法中不管是用線性回歸找到最佳擬合直線，還是加權的線性回歸演算法，我們都是直接用矩陣相乘的方式，直接計算出對應的 係數，這都是對應訓練資料組成的矩陣是可逆的，換句話說x矩陣是滿秩的，而對於某些屬性個數多餘樣本個數的樣本 樣本資料組成矩陣後列數多於行數 組成的矩陣是不滿秩，計算 xtx 1的時候...
線性回歸（標準回歸）
今天我們來討論機器學習的另乙個領域 首先我們來討論利用線性回歸來 數值型資料。利用線性回歸進行 的過程就是求解回歸係數的過程，求出回歸係數後進行係數與特徵值乘積求和即可，這裡我們使用最小二乘法進行求解 ex0.txt 提取碼 dbe2 def loaddataset filename numfeat...