多元线性回归的缺陷_一文看懂线性回归（3个优缺点 8种方法评测）

线性回归是很基础的机器学习算法，本文将通俗易懂的介绍线性回归的基本概念，优缺点，8 种方法的速度评测，还有和逻辑回归的比较。

什么是线性回归？

线性回归的位置如上图所示，它属于机器学习 – 监督学习 – 回归 – 线性回归。

扩展阅读：

什么是回归？

回归的目的是为了预测，比如预测明天的天气温度，预测股票的走势…

回归之所以能预测是因为他通过历史数据，摸透了“套路”，然后通过这个套路来预测未来的结果。

什么是线性？

“越…，越…”符合这种说法的就可能是线性个关系：

「房子」越大，「租金」就越高

「汉堡」买的越多，花的「钱」就越多

杯子里的「水」越多，「重量」就越大

……

但是并非所有“越…，越…”都是线性的，比如“充电越久，电量越高”，他就类似下面的非线性曲线：

线性关系不仅仅只能存在 2 个变量(二维平面)。3 个变量时(三维空间)，线性关系就是一个平面，4 个变量时(四维空间)，线性关系就是一个体。以此类推…

什么是线性回归？

线性回归本来是是统计学里的概念，现在经常被用在机器学习中。

如果 2 个或者多个变量之间存在“线性关系”，那么我们就可以通过历史数据，摸清变量之间的“套路”，建立一个有效的模型，来预测未来的变量结果。

线性回归的优缺点

优点：建模速度快，不需要很复杂的计算，在数据量大的情况下依然运行速度很快。