详细内容或原文请订阅后点击阅览
逐步选择变得简单：改进Python中的回归模型
线性回归中的维度降低：经典的逐步方法和现实世界中的Python应用程序的逐步选择简单：改进Python中的回归模型，首先是迈向数据科学的。
来源:走向数据科学为了充分利用本教程，您应该已经对线性回归的工作方式及其背后的假设有了深入的了解。您还应该注意，实际上，使用差异通货膨胀因子（VIF）来解决多重共线性。此外，您需要了解预测风险的含义，并熟悉Python及其核心功能的基础知识。在本文结尾处，您将找到此处使用的逐步选择过程的代码。该实现遵循两个关键原则：正交性，不要重复自己（干燥），确保清洁，模块化和可重复使用的代码。
为了充分利用本教程，您应该已经对线性回归的工作方式及其背后的假设有了深入的了解。您还应该注意，实际上，使用差异通货膨胀因子（VIF）来解决多重共线性。此外，您需要了解预测风险的含义，并熟悉Python及其核心功能的基础知识。
在本文末尾，您将找到此处使用的逐步选择过程的代码。该实现遵循两个关键原则：正交性，不要重复自己（干燥），确保清洁，模块化和可重复使用的代码。
正交性 不要重复自己（干燥） 以前的工作这对使用回归模型的任何人提出了一个基本问题：我们如何确定应该包含哪些变量？换句话说，我们如何在不丢失基本信息的情况下降低数据的维度？
我们如何确定应该包含哪些变量？挑战取决于分析的目的。该模型是否应该提供系数的精确估计值？它应该确定哪些预测因子很重要？还是应该最大程度地提高预测精度？这些目标都要求采用不同的模型选择方法，而忽略这种区别会导致误导性结论。
1 p