线性回归的ml方法介绍

线性回归假设目标变量和输入变量之间存在线性关系 。这种关系可以通过一个线性方程来表示，形如 y = b + w1*x1 + w2*x2 + + wn*xn ，其中 y 是目标变量，x1
， x2， ， xn 是输入变量
，b 是截距，w1 ， w2
， ， wn 是每个输入变量的权重。

线性回归是一种用线性模型（直线）来模拟单个或多个输入自变量（特征变量）与输出因变量之间关系的方法
。多项式回归则是线性回归的扩展 ，模型变成了特征变量的非线性组合。优点：建模快速
，尤其适用于关系不复杂且数据量不大的情况 。线性回归易于理解，对商业决策有价值
。

这种关系可以通过一个线性方程来表示 ，形如 y = b + w1*x1 + w2*x2 + ... + wn*xn
，其中 y 是目标变量，x1 ， x2， ...
， xn 是输入变量，b 是截距 ，w1
， w2， ... ， wn 是每个输入变量的权重。为了找到最佳拟合直线
，线性回归使用一种优化技术最小二乘法 。

在ML框架下，我们通常会构造一个似然函数 ，并通过最大化该函数来得到参数的估计值
。对于线性回归模型来说
，当误差项服从正态分布时，ML估计量与OLS估计量是相同的。因此 ，在这种情况下
，ML估计量的方差和有效性也与OLS估计量相同 。然而，需要注意的是 ，ML方法具有更广泛的适用性
。

毫升的标准标示方法是ml还是mL?

1 、毫升的标准标示方法是mL。关于毫升的标示方法，国际标准中明确规定了使用mL作为单位 。这是因为在国际单位制中
，为了区分不同的单位，通常会使用特定的字母大小写和组合形式来标示
。毫升作为体积或容量的单位 ，被标示为mL
，以区别于其他单位如立方米、立方厘米等。

2
、毫升的符号应该写作mL 。毫升是与立方厘米对应的容积单位，1毫升等于1立方厘米。在日常生活中 ，毫升多用于计量水、油 、饮料等液体的多少
。升是与立方分米对应的容积单位
，1升等于1000毫升。使用毫升计量的情况有： 小于1升的液体一般用毫升表示 。

3
、毫升应该写作mL
。对于该问题，建议使用mL作为毫升的标准书写形式。以下是 国际标准单位书写规范 毫升作为一个计量单位 ，在国际标准单位制中
，其正确书写形式为mL 。这种规范是为了确保全球范围内的单位书写统一，避免混淆
。因此 ，在科学、医学 、工程等领域
，以及涉及国际交流的场合，建议使用mL。

【ML】模型可解释性方法

一致性：SHAP值在不同数据集和模型上具有一致性 ，有助于比较和验证 。个性化特征归因：是唯一一个能够为每个样本提供个性化特征归因的方法
。可视化工具：瀑布图：展示单个样本的特征影响，便于理解每个特征如何影响最终预测。force_plot：另一种展示单个样本特征影响的可视化工具
，更加直观 。

机器学习模型的可解释性对于理解模型决策至关重要
。它包括对模型内部机制和预测结果的洞察。在建模过程中，可解释性帮助特征工程 ，开发人员可通过它来选择和优化模型 。在模型运行时
，它能向业务人员解释模型运作方式和预测依据。对于数据从业者，他们不仅关心模型的准确性 ，还想知道输入变量如何影响预测
。

机器学习模型的可解释性是指人类能够理解决策背后的原因。高可解释性模型使得用户能更容易理解为何模型做出特定预测 。这一特性在模型开发和应用阶段至关重要
，包括指导特征工程
、辅助模型开发理解、模型对比选择以及优化调整
。在模型运行阶段，向业务方解释模型内部机制 ，对预测结果进行解读也是关键。

线性回归假设目标变量和输入变量之间存在线性关系 。这种关系可以通过一个线性方程来表示
，形如 y = b + w1*x1 + w2*x2 + + wn*xn，其中 y 是目标变量 ，x1
， x2，  ， xn 是输入变量，b 是截距
，w1， w2 ， 
， wn 是每个输入变量的权重
。