Machine learning 简单线性回归比多元/多重回归结果更好
我有一个现有的预测房价的模型，它使用简单的线性回归。作为输入，我有日期，输出是价格 我想提高整体效果，所以我又增加了一个特性。新特征是与估计特性的距离 问题是多元/多元回归的表现比简单回归差一些。（所有数据均已标准化）Machine learning 简单线性回归比多元/多重回归结果更好,machine-learning,linear-regression,multiple-regression,Machine Learning,Linear Regression,Multiple Regression,我有一个现有的预测房价的模型，它使用简单的线性回归。作为输入，我有日期，输出是价格 我想提高整体效果，所以我又增加了一个特性。新特征是与估计特性的距离 问题是多元/多元回归的表现比简单回归差一些。（所有数据均已标准化） 你知道为什么会发生这种情况吗？我该如何处理这种情况？有几十个可能的原因，只列出几个： 如果您的新功能与您试图预测的内容几乎没有关联，那么您正在有效地向系统注入噪声，因此无法期望更好的性能 若你们只有很少的数据点，更多的特性会导致更难的问题 由于您使用的是线性模型，即使新功能是非
你知道为什么会发生这种情况吗？我该如何处理这种情况？有几十个可能的原因，只列出几个：
- 如果您的新功能与您试图预测的内容几乎没有关联，那么您正在有效地向系统注入噪声，因此无法期望更好的性能
- 若你们只有很少的数据点，更多的特性会导致更难的问题
- 由于您使用的是线性模型，即使新功能是非常好的预测工具，但它与因变量的关系不是线性的，模型也会失败
- 线性回归本身就是一个非常幼稚的模型，即使是岭/套索回归也可能完全改变结果（特别是套索，因为它能更好地处理不良特征）