一、機器學習中線性回歸對自變量進行歸一化處理后目標值變量需要處理嗎

邏輯回歸：y=sigmoid(w'x)

線性回歸：y=w'x

也就是邏輯回歸比線性回歸多了一個sigmoid函數，sigmoid(x)=1/(1+exp(-x))，其實就是對x進行歸一化操作，使得sigmoid(x)位于0~1

邏輯回歸通常用于二分類模型，目標函數是二類交叉熵，y的值表示屬于第1類的概率，用戶可以自己設置一個分類閾值。

線性回歸用來擬合數據，目標函數是平法和誤差

二、線性回歸的一般步驟有什么，要做哪些檢驗，什么含義？

做完線性回歸之后，我們需要對模型進行檢驗。

常用的檢驗有d-w檢驗，用來檢驗模型擬合之后的殘差是否依然具有相關性

R^2值，可以告訴我們模型擬合的是否夠好。

還有就是模型的預測變量之間是否有強烈的相關性的問題。

三、線性回歸模型和非線性回歸模型的區別是什么

線性回歸模型和非線性回歸模型的區別是：

線性就是每個變量的指數都是1，而非線性就是至少有一個變量的指數不是1。

通過指數來進行判斷即可。

線性回歸模型，是利用數理統計中回歸分析，來確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法，運用十分廣泛。其表達形式為y = w'x+e，e為誤差服從均值為0的正態分布。線性回歸模型是利用稱為線性回歸方程的最小平方函數對一個或多個自變量和因變量之間關系進行建模的一種回歸分析。這種函數是一個或多個稱為回歸系數的模型參數的線性組合。只有一個自變量的情況稱為簡單回歸,大于一個自變量情況的叫做多元回歸。

非線性回歸，是在掌握大量觀察數據的基礎上，利用數理統計方法建立因變量與自變量之間的回歸關系函數表達式（稱回歸方程式）。回歸分析中，當研究的因果關系只涉及因變量和一個自變量時，叫做一元回歸分析；當研究的因果關系涉及因變量和兩個或兩個以上自變量時，叫做多元回歸分析。

四、怎么判斷用線性回歸還是非線性回歸？

優先選擇線性回歸，因為線性回歸容易處理。也可以選擇非線性回歸。非線性回歸很復雜，而線性回歸的方法基本上前人已經完善的差不多了。

處理可線性化處理的非線性回歸的基本方法是，通過變量變換，將非線性回歸化為線性回歸，然后用線性回歸方法處理。

假定根據理論或經驗，已獲得輸出變量與輸入變量之間的非線性表達式，但表達式的系數是未知的，要根據輸入輸出的n次觀察結果來確定系數的值。

擴展資料：

多數非線性模型中，參數必須限制在有意義的區間內。指的是在迭代過程中對參數的限制。分為線性約束和非線性約束。線性約束中將參數乘以常數 但這個常數不能為其他參數或者自身。非線性約束中至少有一個參數和其他參數相乘或者相除或者進行冪運算。

線性回歸模型經常用最小二乘逼近來擬合，但他們也可能用別的方法來擬合，比如用最小化“擬合缺陷”在一些其他規范里（比如最小絕對誤差回歸），或者在橋回歸中最小化最小二乘損失函數的懲罰。

相反，最小二乘逼近可以用來擬合那些非線性的模型。因此，盡管“最小二乘法”和“線性模型”是緊密相連的，但他們是不能劃等號的。

參考資料來源：百度百科--線性回歸

參考資料來源：百度百科--非線性回歸