任務要求：
線性回歸練習。「父親高則兒子高，父親矮則兒子矮」（即父親與兒子身高相關，且為正相關）、「母高高一窩，父高高乙個」（即母親的身高比父親的身高對子女的影響更大）的習俗傳說是否成立？請在「父母子女身高」資料集（高爾頓資料集）基礎上利用線性回歸做出科學分析。1）選取父子身高資料為x-y，用excel計算線性回歸方程和相關係數、方差、p值等，判斷回歸方程是否成立。 現在如果有乙個新家庭的資料，已知父親身高75英吋，請測算兒子的身高為多少？
2）選取母子身高資料為x-y，用excel計算線性回歸方程和相關係數、方差、p值等，判斷回歸方程是否成立。
3）根據以上資料，闡明你對習俗說法是否正確的分析。
4）你能用多元線性回歸方法，計算出父親、母親與兒子身高的回歸方程嗎？
2. 線性回歸方法的有效性判別。 針對「anscombe四重奏」資料集，用excel對四組資料進行線性回歸分析，判斷其中哪些回歸方程是成立的，哪些不成立？不成立的應該如何解決？
1.1從給出的excel資料表中篩選出我們需要的父子的身高資料
先刪選出所有兒子的身高資料
然後每乙個家庭保留一行資料（刪掉重複的家庭編號）
資料-》刪除重複項
1.2進行線性分析
1.3得出線性回歸分析的結果
1.4資料分析
通過上面的公式y=0.241x+53.34,發現當父親身高每增加1個單位，其兒子的身高增加0.241個單位。
相關係數r平方計算的結果為0.9086，父親身高與兒子身高的線性相關性很強。通過方差分析的**可以看出f>f表，說明資料存在顯著差異。p值遠小於0.01，說明得到的回歸方程是可靠的。
由線性回歸函式可知，當父親身高為75英吋時，兒子的身高為71.415英吋。
以上刪選資料的方式以及進行線性回歸分析的方式跟上面差不多
線性回歸分析結果：
資料分析：
通過上面的公式y=-0.0082x+71.007,發現當母親身高每增加1個單位，其兒子的身高增加-0.0082個單位。
相關係數r平方計算的結果為0.003，母親身高與兒子身高的線性相關性較弱。通過方差分析的**可以看出f>f表，說明資料存在顯著差異。p值遠小於0.01，說明得到的回歸方程是可靠的。
由此說明，父子的身高是有一定關係的。
第乙個資料集：
從圖中可以看出線性並不是很能夠表現原始資料的乙個變化趨勢，所有該線性回歸方程不成立。通過採用其他的回歸曲線來測試，發現對於6次的多項式的回歸方程來說，會比線性回歸方程更好表現資料的變化趨勢。
第二個資料集：
可以看出線性並不是很能夠表現原始資料的乙個變化趨勢，所有該線性回歸方程不成立。通過採用其他的回歸曲線來測試，發現對於2次的多項式的回歸方程來說，會比線性回歸方程更好表現資料的變化趨勢。
第三個資料集：
可以看出，這條直線可以很好的擬合這個資料集，只是有少數乙個一兩個點有偏差，這是正常的。
第四個資料集：
可以看出，這條直線並不能擬合資料集，故線性回歸方程不成立。可採用其他的函式來進行擬合。
分類與回歸
分類與回歸問題 在用dbn 作手寫體識別實驗的時候，hinton 2006 年發表的 a fast learning algorithm for deep belief nets 所對應的 裡面用到 softmax 進行多分類。現就所查的資料和自己所理解的，整理這篇 blog softmax回歸模型...
分類與回歸
分類 classification 與回歸 regression 的區別在於輸出變數的型別。通俗理解，定量輸出稱為回歸，或者說是連續變數 定性輸出稱為分類，或者說是離散變數 回歸問題的 結果是連續的，通常是用來 乙個值，如 房價 未來的天氣情況等等。乙個比較常見的回歸演算法是線性回歸演算法 lr，l...
分類與回歸的區別
在資料探勘 人工智慧等領域中存在兩個 分類和回歸。單說分類很容易理解，但想到回歸就容易分不清晰，那麼這兩者到底有什麼區別和聯絡呢？下面簡單介紹下我的理解。其實 回歸問題和分類問題的本質一樣，都是針對乙個輸入做出乙個輸出 其區別在於 輸出變數的型別。分類問題是指，給定乙個新的模式，根據訓練集推斷它所對...