我有一组数字特征来描述不同时间点的现象 . 为了评估每个特征的个体性能，我执行线性回归并留下一个验证，并计算相关性和误差以评估结果 .
因此，对于单个功能，它将是这样的：
-
输入：特征F = {F_t1，F_t2，... F_tn}
-
输入：现象P = {P_t1，P_t2，... P_tn}
-
根据F的线性回归P，加上一个 .
-
评估：计算相关性（线性和矛头）和误差（平均绝对值和均方根）
对于一些变量，两个相关性都非常好（> 0.9），但是当我看一下预测时，我意识到预测都非常接近平均值（要预测的值），所以错误是大 .
怎么可能？
有办法解决吗？
对于某些技术精度，我使用带有选项“-S 1”的weka线性回归以避免特征选择 .
1 回答
这似乎是因为我们想要回归的问题不是线性的，我们使用线性方法 . 然后可能具有良好的相关性和差的错误 . 这并不意味着回归是错误的或非常糟糕，但你必须非常小心并进一步调查 .
无论如何，一种非线性方法可以最大限度地减少错误并最大化相关性，这是一种可行的方法 .
而且，异常值也会使这个问题发生 .