注：本文是回归分析专题的第三部分，此专题是对即将于2021年5月出版的《机器学习数学基础》的补充和提升资料。
并且，只要插入的公式多点，在微信的编辑器中就不能保存。所以，发布的文章中，就很少有公式了。这就失去了数学味道，如果要看完整的，请移步到网站：https://qiwsir.gitee.io/mathmetics/
用程序实现参数估计
如果使用最小二乘法实现一元线性回归系数估计，即（10）式的结果，可以使用statsmodels中提供OLS，即“普通最小二乘法（Ordinary Least Squares）”。
使用的数据就是前面绘制散点图使用的alpha0和beta。现在稍微透露一下这两组数据的含义，这两组输入来自于光的折射实验（虚拟的），其中alpha0表示入射角（角度为单位），beta表示折射角（弧度为单位），为了单位统一，将alpha0的角度转化为弧度。
alpha = alpha0*np.pi/180
不过，上面的操作不用真正实现。因为已经透露了天机，那么就应该将上述两组实验数据产生方法展示出来（但是，我们还要假装不知道样本之间的关系）：
代码语言：javascript复制import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
alpha = np.arange(2,90)*np.pi/180 np.random.rand()/10
beta = np.arcsin(np.sin(alpha)/1.4)
fig, ax = plt.subplots()
ax.scatter(alpha, beta)
输出图像：
然后用上述数据，利用statsmodels中的·.OLS`得到一元线性回归模型。
import statsmodels.api as sm
X = pd.DataFrame({'c': np.ones(len(alpha)), 'x': alpha})
model = sm.OLS(beta, X)
r = model.fit()
r.params
# 输出
c 0.068711
x 0.534783
dtype: float64
现在所得到的两个输出值，一个是偏置
，另外一个是
，即所得到的的一元线性回归方程是：
coe = r.params
fig, ax = plt.subplots()
ax.scatter(alpha, beta)
x = np.linspace(0, alpha[-1], 100)
y = coe['c'] coe['x']*x
ax.plot(x,y, color='red')
x_mean = np.mean(alpha)
y_mean = np.mean(beta)
ax.scatter(x_mean, y_mean, marker="D", color='black')
输出图像：
图中的黑色菱形点，对应着（9）式所说明的意义。
从对图示的观察可知，如果用现在所得到的一元线性回归模型作为机器学习模型，对于数据(alpha, beta)而言，并不是一个好模型。
除了估计回归系数之外，在严格的统计学中，还要估计
，并进行相关的假设检验，并给出置信区间。这些内容通常依据上述定理中各参数分布特点解决。
拟合二次曲线
像上面图示显示，所得到的模型与原数据集的分布差别较大，称为“欠拟合”。这说明我们选择的模型有问题。观察散点图，可能会想到，应该使用：
对于这种模型，其图像不是直线，但依然可以使用最小二乘法实现拟合。
代码语言：javascript复制X2 = pd.DataFrame({'c': np.ones(len(alpha)), 'x': alpha, 'x*x':alpha*alpha})
r2 = sm.OLS(beta, X2).fit()
r2.params
# 输出
c -0.025320
x 0.877092
x*x -0.214953
dtype: float64
得到系数之后，看一看结果如何：
代码语言：javascript复制coe = r2.params
fig, ax = plt.subplots()
ax.scatter(alpha, beta)
x = np.linspace(0, alpha[-1], 100)
y = coe['c'] coe['x']*x coe['x*x']*x*x
ax.plot(x,y, color='red')
输出图像：
观察发现，现在的模型与原数据集的分布，拟合得很好，除了在右上角偏差似乎大点——天空中的一小朵乌云。
然而，直觉观察不能代替严谨的评估。
对于前面训练所得到的r和r2两个模型，statsmodels中为它们提供的方法，查看有关评估结果。
r.summary()
输出：
r2.summary()
输出：
上面输出结果，就是对模型的统计评估结果。各项的含义分别是
：
Element | Description |
|---|---|
Dep. Variable | 模型中的响应变量 |
Model | 用于训练的模型名称 |
Method | 模型的参数用什么方法计算 |
No. Observations | 观测数据的数量，即样本数量 |
DF Residuals | 残差的自由度 |
DF Model | 模型中参数的个数（不含常数项） |
R-squared | 判定系数，也称为“拟合度”。回归结果逼近真实值的统计量，范围在 之间，越大表示模型拟合得越好 |
Adj. R-squared | 根据观察次数和残差的自由度调整以上值 |
F-statistic | 模型训练有效度。模型的均方误差除以残差的均方误差 |
Prob (F-statistic) | 零假设下，得到上述统计量的概率 |
Log-likelihood | 似然函数对数 |
AIC | 赤池信息准则（Akaike Information Criterion，简称：AIC） 。根据观察次数和模型的复杂性调整对数似然度。 |
BIC | 贝叶斯信息准则（Bayesian Information Criterion），类似AIC，但是如果模型参数更多，会提高惩罚项权重。 |
coef | 回归系数估计值 |
std err | 回归系数估计值的标准误差 |
t | t检验值。度量统计学上重要程度的量。 |
P > t | P值。零假设是回归系数为0，通常小于0.05，拒绝零假设，即自变量和相应变量之间存在统计上的显著相关。 |
[95.0% Conf. Interval] | 95%置信区间的上下限。 |
Skew | 偏度。以均值为中心的数据对称性的度量。正态分布的误差应围绕均值对称分布。 |
Kurtosis | 峰度。分布形状的度量。比较接近均值的数据量和远离均值的数据量（尾部）。 |
Omnibus | D’Angostino检验。它提供了偏度和峰度的组合统计检验。 |
Prob(Omnibus) | 将上面结果转换为概率 |
Jarque-Bera | 对偏度和峰度的另外一种检验。 |
Prob (JB) | 上面统计量结果转换为概率 |
Durbin-Watson | 自相关检验。在时间序列分析中通常很重要 |
Cond. No | 多重共线性检验（如果与多个参数拟合，则参数彼此相关） |
如此，即可实现统计中的线性回归模型构建。
从上面的评估结果中可以看到，目前用二次曲线拟合，已经能够在相当好的程度上体现了两个变量之间的关系——特别强调，现在我们得到的是相关关系。
那么，相关关系是否就是因果关系？尚需进一步研究。
（待续）
