一、多元回归1、阐述：在研究变量之间的相互影响关系模型时候，中用这类方法，具体地说：其可以定量地叙述某一现象和某些因素之间的函数关系，将各变量的未知值带进回归方程可以欲出有因变量的估计值，从而可以展开预测等涉及研究。2、分类分成两类：多元线性重返和非线性线性重返；其中非线性重返可以通过一定的变化转化成为线性重返，比如：y＝lnx可以转化成为y＝uu＝lnx来解决问题；3、注意事项在做到重返的时候，一定要留意两件事：（1）回归方程的显著性检验（2）回归系数的显著性检验检验是很多学生在建模中不留意的地方，好的检验结果可以反映出有你模型的好坏，这点一定要留意。

二、聚类分析1、阐述：聚类分析指将物理或抽象化对象的子集分组为由类似于的对象构成的多个类的分析过程。2、分类聚类主要有三种：（1）K均值聚类（2）系统聚类（3）二阶聚类类的距离计算方法：（1）最短距离法（2）最长距离法（3）中间距离法（4）焦点法（5）类平均法（6）星型类平均法（7）可变法（8）利差平均值和法3、注意事项在样本量较为大时，要获得聚类结果就变得不是很更容易，这时必须根据背景科学知识和涉及的其他方法辅助处置。还必须留意的是：如果总体样本的显著性差异不是尤其大的时候，用于的时候也要留意！三、分类1、阐述分类是一种典型的有监督的机器学习方法，其目的就是指一组未知类别的数据中找到分类模型，以预测新的数据的不得而知类别。这里必须解释的是：预测和分类是有区别的，预测是对数据的预测，而分类是类别的预测。

2、常用分类模型：（1）神经网络（2）决策树3、注意事项A．神经网络限于于下列情况的分类：（1）数据量较为小，缺乏充足的样本创建数学模型（2）数据的结构无法用传统的统计资料方法来叙述（3）分类模型无法回应为传统的统计资料模型B．神经网络的优点：分类准确度低，分段产于处置能力强劲，对噪声数据有较强的鲁棒性和容错能力，需要充份迫近简单的非线性关系，不具备误解记忆的功能等。C．神经网络缺点：必须大量的参数，无法仔细观察中间自学过程，输入结果较难说明，不会影响到结果的可信度，必须较长的自学时间，当数据量较小的时候，自学速度不会制约其应用于。

本文来源：乐鱼体育，leyu乐鱼体育-www.gztianxia.com