Skip to content

Tag: linear-regression

【AI 核心深度 M2-093】解释回归中的交互项与多项式项，以及如何避免过拟合（Interaction and Polynomial Terms in Regression: Formulations and Regularization）深度数理推导与工程落地解析

2026-10-01

交互项捕捉’一个特征的效应依赖另一特征’；多项式项捕捉非线性；需标准化与正则化。
【AI 核心深度 M2-092】解释加权最小二乘（WLS）与它处理异方差的方式（Weighted Least Squares (WLS) and Handling Heteroscedasticity）深度数理推导与工程落地解析

2026-10-01

给每个样本乘权重再最小化加权残差平方和；权重取方差的倒数时达到最小方差。
【AI 核心深度 M2-001】写出线性回归的闭式解，并说明它成立的前提。（Formulate the Closed-Form Normal Equation for Linear Regression and Its Necessary Preconditions）深度数理推导与工程落地解析

2026-10-01

最小二乘解 w=(XᵀX)⁻¹Xᵀy，前提是 XᵀX 可逆（无完全共线性）。
【AI 核心深度 M2-002】列举线性回归的四大假设，并说明违反后果。（Enumerate the Four Classical Assumptions of Linear Regression and the Consequences of Their Violation）深度数理推导与工程落地解析

2026-10-01

线性、误差独立、同方差、误差正态（用于推断）。
【AI 核心深度 M2-003】解释多重共线性，它如何影响系数估计与显著性检验。（Explain Multicollinearity, Its Impact on Coefficient Stability and Significance Tests, and Diagnostic Thresholds）深度数理推导与工程落地解析

2026-10-01

特征高度相关 → XᵀX 接近奇异 → 系数方差爆炸、符号不稳定，但预测仍可能准。
【AI 核心深度 M2-004】岭回归为什么能缓解共线性？写出它的解。（Explain Why Ridge Regression Mitigates Multicollinearity and Derive Its Closed-Form Solution）深度数理推导与工程落地解析

2026-10-01

在 XᵀX 上加 λI 使其可逆，同时收缩系数、稳定方差。
【AI 核心深度 M2-005】推导线性回归的最小二乘解，并说明其几何意义。（Derive the Least Squares Solution for Linear Regression and Explain Its Orthogonal Projection Geometry）深度数理推导与工程落地解析

2026-10-01

对残差平方和求导置零得正规方程；几何上是把 y 正交投影到 X 的列空间。