怎麼確定模型擬合的方法

A. 評價回歸模型是否合適的方法

當你只知道一兩種技巧時，生活通常是簡單的。如果結果是連續的，使用線性回歸；如果結果是二值的，使用邏輯回歸！然而，可供選擇的選項越多，選擇合適的答案就越困難。類似的情況也發生在回歸模型選擇中。
1、在多種類型的回歸模型中，基於自變數和因變數的類型、數據維數和數據的其它本質特徵，選擇最合適的技術是很重要的。以下是如何選擇合適的回歸模型的幾點建議：
（1）數據挖掘是建立預測模型不可缺少的環節。這應該是選擇正確的模型的第一步，比如確定各變數的關系和影響。
（2）比較適合於不同模型的擬合程度，我們可以分析它們不同的指標參數，例如統計意義的參數，R-square，Adjusted R-square，AIC，BIC 以及誤差項，另一個是 Mallows』 Cp 准則。通過將模型與所有可能的子模型進行對比（或小心地選擇他們），檢查模型可能的偏差。
（3）交叉驗證是評價預測模型的最佳方法。你可以將數據集分成兩組（訓練集和驗證集）。通過衡量觀測值和預測值之間簡單的均方差就能給出預測精度的度量。
（4）如果數據集有多個混合變數，則不應使用自動模型選擇方法，因為不希望同時將這些混合變數放入模型中。
（5）這也取決於你的目標。與高度統計學意義的模型相比，簡單的模型更容易實現。
（6）回歸正則化方法（LasSo、Ridge 和 ElasticNet）在數據集是高維和自變數是多重共線性的情況下工作良好。
2、什麼是回歸分析？回歸分析是一種預測建模技術的方法，研究因變數（目標）和自變數（預測器）之前的關系。這一技術被用在預測、時間序列模型和尋找變數之間因果關系。
3、有哪些回歸類型呢？
（1） 線性回歸（Linear Regression）
線性回歸是最為人熟知的建模技術，是人們學習如何預測模型時的首選之一。在此技術中，因變數是連續的，自變數可以是連續的也可以是離散的。回歸的本質是線性的。
線性回歸通過使用最佳的擬合直線（又被稱為回歸線），建立因變數（Y）和一個或多個自變數（X）之間的關系。
它的表達式為：Y=a+b*X+e，其中 a 為直線截距，b 為直線斜率，e 為誤差項。如果給出了自變數 X，就能通過這個線性回歸表達式計算出預測值，即因變數 Y。
（2）邏輯回歸用來計算事件成功（Success）或者失敗（Failure）的概率。當因變數是二進制（0/1，True/False，Yes/No）時，應該使用邏輯回歸。這里，Y 的取值范圍為 [0，1]，它可以由下列等式來表示。
其中，p 是事件發生的概率。你可能會有這樣的疑問「為什麼在等式中使用對數 log 呢？」
因為我們這里使用的二項分布（因變數），所以需要選擇一個合適的激活函數能夠將輸出映射到 [0，1] 之間，Logit 函數滿足要求。在上面的等式中，通過使用最大似然估計來得到最佳的參數，而不是使用線性回歸最小化平方誤差的方法。

B. 曲線擬合一般有哪些方法

曲線擬合一般方法包括：

1、用解析表達式逼近離散數據的方法

2、最小二乘法

拓展資料：

實際工作中，變數間未必都有線性關系，如服葯後血葯濃度與時間的關系;疾病療效與療程長短的關系;毒物劑量與致死率的關系等常呈曲線關系。曲線擬合(curve fitting)是指選擇適當的曲線類型來擬合觀測數據，並用擬合的曲線方程分析兩變數間的關系。

最小二乘法（又稱最小平方法）是一種數學優化技術。它通過最小化誤差的平方和尋找數據的最佳函數匹配。利用最小二乘法可以簡便地求得未知的數據，並使得這些求得的數據與實際數據之間誤差的平方和為最小。最小二乘法還可用於曲線擬合。其他一些優化問題也可通過最小化能量或最大化熵用最小二乘法來表達。