左蹄猪猪 发表于 2024-07-02 00:45 被姜妹妹的天才闹的，如今不懂数学很弱智。
左蹄猪猪 发表于 2024-07-02 00:43 ChatGPT回复， 在处理因变量 \(C\) 不满足高斯分布的回归问题时，有几种方法可以考虑： 1. **广义线性模型 (Generalized Linear Models, GLM)**： 广义线性模型扩展了线性回归模型，允许因变量 \(C\) 来自非高斯分布。常见的广义线性模型包括： - **泊松回归**：如果 \(C\) 是计数数据（非负整数）。 - **二项回归（逻辑回归）**：如果 \(C\) 是二值数据（0或1）。 - **Gamma 回归**：如果 \(C\) 是正的连续数据且有正偏。 2. **广义加性模型 (Generalized Additive Models, GAMs)**： 这是广义线性模型的扩展，允许非线性关系，通过使用样条函数等非参数方法来捕捉数据的非线性特征。 3. **非参数回归方法**： 当对 \(C\) 的分布假设较少时，非参数回归方法如核回归（Kernel Regression）和最近邻回归（K-Nearest Neighbors Regression）可以被使用。 4. **决策树和随机森林**： 决策树和随机森林是一种非参数方法，可以处理各种类型的数据分布。它们通过划分数据空间来拟合数据，因此对分布假设要求较低。 5. **支持向量回归 (Support Vector Regression, SVR)**： SVR 是一种基于支持向量机的回归方法，可以处理非线性和非高斯分布的数据。 6. **神经网络回归**： 深度学习模型，如多层感知器（MLP），可以处理复杂的非线性关系和各种分布的数据。 具体选择哪种方法取决于数据的特性和问题的具体需求。如果你对数据的分布没有任何假设，可以从广义线性模型开始，因为它提供了一套灵活的框架来处理不同类型的因变量。 需要注意的是，模型选择后，还需对模型进行适当的验证（如交叉验证）和诊断，以确保模型的适用性和准确性。
microsat 发表于 2024-07-02 00:58 我的问题已经列出了，可能不满足泊松分布等。但是chatgpt还是给出了1的答案。这个应该认为是画蛇添足。
neolith2000 发表于 2024-07-02 01:04 变幻一下 y 值，使变幻后的数据满足回归模型要求的分布
microsat 发表于 2024-07-02 01:39 变换了。不行。
computer101 发表于 2024-07-02 03:35 嗯 这里应该做的事情是对C的分布进行研究，找到能转化为Normal Distribution的路径，然后再fit linear regression
neolith2000 发表于 2024-07-02 01:43 你把残差fit 一下常见的分布，看看符合哪一个
weiyixia 发表于 2024-07-02 12:51 先test一下C是什么分布？
songxm99 发表于 2024-07-02 14:22回复 11楼 microsat 的帖子 对任何事物建模都需要有一些预先知道的知识。例如数学上的线性，高斯分布，还有一些实际的商业逻辑。 数学模型是对实际问题的压缩，如果你对数据的来源的内在规律一无所知，那么模型的复杂度会无穷大，需要的数据无穷多，那就无法建立实用的模型。必须有一些先验的知识。如果没有，就只能凭直觉，假设一些，然后看看哪种假设误差小。
请问在不知道C满足其他什么分布的情况下（很可能不满足，比如坡松，伯努利等），能用什么回归模型呢？
请高手指点一二。
在处理因变量 \(C\) 不满足高斯分布的回归问题时，有几种方法可以考虑：
1. **广义线性模型 (Generalized Linear Models, GLM)**： 广义线性模型扩展了线性回归模型，允许因变量 \(C\) 来自非高斯分布。常见的广义线性模型包括： - **泊松回归**：如果 \(C\) 是计数数据（非负整数）。 - **二项回归（逻辑回归）**：如果 \(C\) 是二值数据（0或1）。 - **Gamma 回归**：如果 \(C\) 是正的连续数据且有正偏。
2. **广义加性模型 (Generalized Additive Models, GAMs)**： 这是广义线性模型的扩展，允许非线性关系，通过使用样条函数等非参数方法来捕捉数据的非线性特征。
3. **非参数回归方法**： 当对 \(C\) 的分布假设较少时，非参数回归方法如核回归（Kernel Regression）和最近邻回归（K-Nearest Neighbors Regression）可以被使用。
4. **决策树和随机森林**： 决策树和随机森林是一种非参数方法，可以处理各种类型的数据分布。它们通过划分数据空间来拟合数据，因此对分布假设要求较低。
5. **支持向量回归 (Support Vector Regression, SVR)**： SVR 是一种基于支持向量机的回归方法，可以处理非线性和非高斯分布的数据。
6. **神经网络回归**： 深度学习模型，如多层感知器（MLP），可以处理复杂的非线性关系和各种分布的数据。
具体选择哪种方法取决于数据的特性和问题的具体需求。如果你对数据的分布没有任何假设，可以从广义线性模型开始，因为它提供了一套灵活的框架来处理不同类型的因变量。
需要注意的是，模型选择后，还需对模型进行适当的验证（如交叉验证）和诊断，以确保模型的适用性和准确性。
多谢！
你在现实中遇到过这个问题吗？ 我一般用linear regression。但是发现其实，现实数据中，很少满足高斯分布的。 但是为何大家还用这个linear regression呢？
另外，你这个chatgpt给的答案，我其实早就查阅过了。 你看看它的回答1. 广义线性模型。 这个广义线性模型虽然允许C来自非高斯分布。但是它的模型要求必须满足其它的分布， 泊松，伯努利等等。 而在现实数据中，很难满足泊松，伯努利等。这样，1的回答还能用吗？
4,5,6不能使用。我需要产生一个pvalue。
我的问题已经列出了，可能不满足泊松分布等。但是chatgpt还是给出了1的答案。这个应该认为是画蛇添足。
变幻一下 y 值，使变幻后的数据满足回归模型要求的分布
变换了。不行。
你把残差fit 一下常见的分布，看看符合哪一个
回归是个老话题了。学过统计的都不陌生。
请问对非高斯分布的回归，都是这样的处理步骤吗？
如果实在是分析不出因变量是什么分布，该怎么办呢？
这种因变量是什么分布根本就猜不出来，并非少数，而是广泛存在于真实世界里。
比如：股票的曲线。就不符合任何分布。如果股票符合某一分布的话，炒股的人人都是亿万元户。
多谢。残差还是不符合常见的分布（泊松，伯努利，高斯）
你发现没有。我们的真实世界里，有很多实用的数学问题， 急切需要人们去解决。比如：我问的这个问题。
比如：如何预测股票的明天的趋势。 想发财的人，做梦都想得到各大银行锁在保险柜的预测模型。
为什么还有人去学姜妹妹的这么枯燥的考试呢？
所以有个美女（姜妹妹）愿意去学这么枯燥的数学考试，也算难得了。 我们应该鼓励和支持啊。
凡是愿意钻研数学的，都应该鼓励和支持，特别是美女。
所有分布，都能测试出吗？
比如：Poisson咋测试呢？
challenge 是，有很多数据根本无法通过变换，就能转化成高斯分布。
对任何事物建模都需要有一些预先知道的知识。例如数学上的线性，高斯分布，还有一些实际的商业逻辑。
数学模型是对实际问题的压缩，如果你对数据的来源的内在规律一无所知，那么模型的复杂度会无穷大，需要的数据无穷多，那就无法建立实用的模型。必须有一些先验的知识。如果没有，就只能凭直觉，假设一些，然后看看哪种假设误差小。
从lz以前的帖子来看 无解
不是C要高斯，是回归出来的残差最好是高斯，而且不是高斯也没大关系。