Machine learning 识别不同时期的回归模型变化
给定一组K个自变量Machine learning 识别不同时期的回归模型变化,machine-learning,regression,Machine Learning,Regression,给定一组K个自变量X=(x1,x2,…,xk)和一个因变量y,我尝试运行逐步回归模型,以找到描述y的最佳变量集。总数据点的长度为n,因此y的大小为nx1,而x的大小为nxk。例如,如果k=10,最好的变量集可能是x1、x3、x6,因此模型可能是y=0.25*x1+0.30*x3+0.50*x6+e 虽然该模型使用完整的数据点(n),但有时我想看看y与不同时间子集的自变量之间的关系,因为在一个子周期内,x1、x3、x6可能不是最佳模型。例如,设n=60,因此第一个日期是2015年9月,最后一个日期
X=(x1,x2,…,xk)
和一个因变量y
,我尝试运行逐步回归模型,以找到描述y
的最佳变量集。总数据点的长度为n
,因此y
的大小为nx1
,而x
的大小为nxk
。例如,如果k=10
,最好的变量集可能是x1、x3、x6
,因此模型可能是y=0.25*x1+0.30*x3+0.50*x6+e
虽然该模型使用完整的数据点(n)
,但有时我想看看y
与不同时间子集的自变量之间的关系,因为在一个子周期内,x1、x3、x6
可能不是最佳模型。例如,设n=60
,因此第一个日期是2015年9月,最后一个日期是2020年8月。我想知道在2015年9月至2018年8月或2018年8月至2020年8月期间,最好的一组因素是否会发生变化
我想知道针对这类问题有哪些算法
谢谢