Python机器学习回归简介,本视频简要介绍了回归的概念和应用。回归是一种预测连续值的方法，其中包括因变量和一个或多个自变量。回归模型可以用来预测汽车的二氧化碳排放量，房价，销售额等连续值。回归分析在销售预测、心理学、金融、医疗保健等领域都有应用。虽然有许多不同的回归算法，但本课程介绍了一些基本的回归技术，为进一步探索提供了基础知识。
看看这个数据集，这与不同汽车的二氧化碳排放有关。它包括发动机尺寸、气缸数量、各种车型的燃油消耗和二氧化碳排放。
问题是，给定这个数据集，我们可以预测汽车的二氧化碳排放量吗，使用其他字段，如发动机尺寸或气缸？
假设我们有来自不同汽车的历史数据，假设一辆汽车，比如，但他还没有制造出来，但我们有兴趣估计其生产后的二氧化碳排放量。有可能吗？
我们可以使用回归方法来预测连续值，如二氧化碳排放，使用一些其他变量。实际上，回归是预测连续值的过程。
在回归中，有两种类型的变量，因变量和一个或多个自变量。因变量，可以看作是状态，目标，或我们研究的最终目标，并尝试预测，和自变量，也称为解释变量，可以被视为这些状态的原因。自变量通常用X表示，因变量用Y表示。
我们的回归模型与Y相关，或因变量，X的函数，即自变量。
回归中的关键点，我们的依赖值应该是连续的并且不能是离散值。然而，自变量或变量，可以根据分类、或连续测量标尺。
因此，我们想在这里做的是使用一些汽车的历史数据，使用它们的一个或多个特征并从该数据中创建模型。我们用回归来建立这样的回归估计模型，然后使用该模型预测新车或未知车的预期二氧化碳排放量。
基本上，有两种类型的回归模型。简单回归和多元回归。简单回归是当用一个自变量来估计因变量。它可以是线性的，也可以是非线性的。例如，使用发动机尺寸变量预测二氧化碳排放。
回归的线性，基于自变量和因变量之间的关系。当存在多个自变量时，该过程称为多元线性回归。例如，使用发动机尺寸预测二氧化碳排放，以及任何给定汽车中的气缸数量。同样，根据因变量和自变量之间的关系，它可以是线性回归，也可以是非线性回归。
让我们来看看回归的一些示例应用程序。
本质上，当我们想要估计连续值时，我们使用回归。例如回归分析可以用于销售预测领域。您可以尝试从自变量中预测销售人员的年度总销售额，比如年龄、教育程度、和多年的经验。它也可以用于心理学领域，例如，根据人口统计学和心理因素确定个人满意度。我们可以使用回归分析来预测某一地区的房价，根据其大小，卧室数量等。我们甚至可以用它来预测就业收入，对于工作时间、教育、职业、性别、年龄、经验年限等。
事实上，您可以找到许多关于这些和许多其他领域的回归分析，或金融等领域，医疗保健、零售等。
我们有许多回归算法。它们都有自己的重要性，以及其应用最适合的特定条件，虽然我们在本课程中只介绍了其中的几个，它为您提供了足够的基础知识来探索不同的回归技术。
Python机器学习回归简介 推荐
