線性迴歸（Linear Regression）演算法優缺點

# 線性迴歸（Linear Regression）演算法優缺點 # 


I.Vanilla Linear Regressio

優點
善於獲取資料集中的線性關係；
適用於在已有了一些預先定義好的變數並且需要一個簡單的預測模型的情況下使用；
訓練速度和預測速度較快；
在小資料集上表現很好；
結果可解釋，並且易於說明；
當新增資料時，易於更新模型；
不需要進行引數調整（下面的正則化線性模型需要調整正則化引數）；
不需要特徵縮放（下面的正則化線性模型需要特徵縮放）；
如果資料集具有冗餘的特徵，那麼線性迴歸可能是不穩定的；

缺點
不適用於非線性資料；
預測精確度較低；
可能會出現過度擬合（下面的正則化模型可以抵消這個影響）；
分離訊號和噪聲的效果不理想，在使用前需要去掉不相關的特徵；
不瞭解資料集中的特徵互動；



II. Lasso迴歸, Ridge迴歸, Elastic-Net迴歸

優點
這些模型是正則化的線性迴歸模型；
有助於防止過度擬合；
這些模型更善於正則化，因為它們更簡單；
適用於當我們只關心幾個特徵的時候；

缺點
需要特徵縮放；
需要調整正則化引數；