我试图猜测房价，最后我打算使用线性回归找出一个公式。正如您在此处看到的，我有 1480 个样本，其中包含 45 个特征，其中price(fiyat) 是目标变量。
做更高的价值和意味着无法以良好的方式训练数据集？
有没有办法减少这些值？如你看到的 看起来不错。
我们怎么能说平均有多少错误发生在猜测中？如果我们可以，你能说多少？
价格和猜测之间确实存在很大差异，如下所示：
降低线性回归的 MAE 或 RMSE
数据挖掘
机器学习
回归
随机森林
线性回归
2021-10-07 03:26:22
4个回答
您可以尝试去除异常值、减少数据偏斜或堆叠不同的模型。如需高级回归指南，请查看Kaggle 中的此内核。
使用以下步骤获得更好的结果：
- 使用 describe 函数，您将了解每列的值（如果它包含数字）。找出异常值并将其替换为平均值或中值或众数。
- 识别列以了解对数据集的影响例如：热图，我们将了解一次关键的列。
- 使用具有多个参数的多个模型（线性回归、随机森林、SVM 等）（更改每个模型中的参数值）以获得更好的结果。
- 检查具有多个参数的多个模型的错误并分析结果。
在删除异常值或“处理”数据足够长以适合您的模型之前，请查看以下文章并检查线性模型是否是您数据集的最佳选择。
请记住，所有这些统计模型都会对您作为输入提供的数据做出假设。只有满足这些假设，您才能获得可靠的结果。
均方根误差 (RMSE) 和绝对误差根 (RAE) 与目标值（在您的情况下为房价）具有相同的单位。它给出了模型在对给定数据集进行预测时产生的平均误差。根据您在训练数据中的房价规模，它可能不会那么高。如果房价规模以百万计，那么以千计的误差可能并没有那么糟糕。每个数据集都有一些噪声，这会导致每个模型的固有错误。
不过，如果根据您的数据集中的房价规模，它很高，您可以尝试以下一些方法：
- 去除数据中的异常值
- 做特征选择，一些特征可能没有那么丰富。
- 尝试组合一些特征以使其更有意义，例如某些特征的比率可能比单个特征更有意义来预测价格。
- 也许线性回归是欠拟合或过拟合数据，您可以检查 ROC 曲线并尝试分别使用更复杂的模型，如多项式回归或正则化