线性回归（Linear Regression）算法优缺点
# 线性回归（Linear Regression）算法优缺点 #
I.Vanilla Linear Regressio
优点
善于获取数据集中的线性关系；
适用于在已有了一些预先定义好的变量并且需要一个简单的预测模型的情况下使用；
训练速度和预测速度较快；
在小数据集上表现很好；
结果可解释，并且易于说明；
当新增数据时，易于更新模型；
不需要进行参数调整（下面的正则化线性模型需要调整正则化参数）；
不需要特征缩放（下面的正则化线性模型需要特征缩放）；
如果数据集具有冗余的特征，那么线性回归可能是不稳定的；
缺点
不适用于非线性数据；
预测精确度较低；
可能会出现过度拟合（下面的正则化模型可以抵消这个影响）；
分离信号和噪声的效果不理想，在使用前需要去掉不相关的特征；
不了解数据集中的特征交互；
II. Lasso回归, Ridge回归, Elastic-Net回归
优点
这些模型是正则化的线性回归模型；
有助于防止过度拟合；
这些模型更善于正则化，因为它们更简单；
适用于当我们只关心几个特征的时候；
缺点
需要特征缩放；
需要调整正则化参数；
https://www.toutiao.com/a1659113597903879
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/69946223/viewspace-2676822/ ，如需转载，请注明出处，否则将追究法律责任。
