线性回归

• 算法介绍

  LinearRegression是一种线性回归模型，常用于预测数值型的连续变量。它采用最小化平方误差和的方法来拟合数据集，并试图找到一条直线来描述自变量与因变量之间的关系。这条直线可以被用来作出新的预测。

• 使用场景

1. 结构化数据：例如金融领域中贷款利率、房价等的预测、医学领域中慢性疾病预测等。
2. 非结构化数据转化后的数据：例如文本分类中利用tf-idf特征矩阵进行的预测、图像处理中基于颜色特征和纹理特征建立的线性回归模型等。

• 优势介绍

1. 易于实现和解释：Linear Regression 的原理十分简单，公式易于理解，且容易可视化。
2. 适用性广泛：线性回归可以处理大部分结构化数据场景，使求解特定问题变得非常方便。这样权衡准确性、速度和可解释性后，线性回归可能是你的第一选择。
3. 计算速度快：计算量不大，参数少，直接利用矩阵运算，因此计算速度适中。
4. 可点性强：结果有极强的解释性。每个特征的系数都能通过系数大小呈现出来，甚至可以通过数据标度得知该特征对响应变量的影响方向。

• 劣势介绍

1. 需要满足特定假设条件：与许多机器学习算法类似，线性回归算法也需要满足一些假设前提条件。常见的仅考虑影响目标变量的因素，不存在多重共线性体现为自变量之间存在严格的线性关系。
2. 容易被离群值误导：线性回归对离群值非常敏感，只要有一个离群值或极端值就可以对模型产生很大影响。
3. 必须存在线性关系：因为其是一种线性方法，所以会受到样本的线性限制。要想获得更好的结果必须指定正确的特征才能得到令人满意的结果。
4. 不适用于非线性问题：Linear Regression 的主要缺点之一是不能很好地处理非线性数据和噪声的情况。

• 参数介绍

  仅支持通过可视化方式，配置读取该组件参数，参数详情如下表所示：

页签	参数	参数名称	是否必选	参数描述	默认值
数据源	表名	inputTable	是	数据表	无
默认参数	选择特征标签列	labelColName	是	输入表中选择标签列名类型。	无
模型参数	是否计算模型的截距	fit_intercept	是	默认True，是否计算模型的截距，为False时，则数据中心化处理。	True
模型参数	是否中心化	normalize		默认False，是否中心化，或者使用sklearn.preprocessing.StandardScaler()。	False
模型参数	是否拒绝覆盖原数据	copy_X		默认True，否则X会被改写。	True

• 推荐参数值

1. fit_intercept：是否拟合截距，默认为True;
2. normalize：是否对自变量先进行标准化处理再训练，默认为False。

• 调参建议

1. 对于小型数据集，fit_intercept 和 normalize 均可设置为默认值，不会影响模型性能；对于大型数据集，可以将 normalize 设置为 True 进行标准化处理。
2. 如果数据中存在严重多重共线性问题，可以考虑使用正则化方法（如 L1 或 L2 正则化）来约束参数。
3. 对于需要构建基于交互项或多项式功能的非线性模型的问题，可以结合特征工程的方法来提高模型的表现。