在前面的文章中，我们对Splunk Machine Learning Toolkit 3.0.0进行了介绍，今天我们就来聊一下机器学习中最常见的问题：回归。

什么是回归？

回归对数值连续的通常是来预测一个值，比如预测房屋价格、股票走势、产品销售量、未来的天气情况等。线性回归是最简单的一种回归算法，它期望使用一条直线去拟合数据，如图所示：

可以看出，这样直线有很多，那么哪条才是最佳拟合线呢？这就是寻找最佳拟合的问题。

如果预测值和实际值最接近，它应该是最佳拟合线。我们可以用最小二乘法(Least squares)来解决这个问题。

最小二乘法通过最小化误差的平方和寻找最佳函数匹配。

用最小二乘法容易计算，如果数据集存在线性关系，它能拟合的非常好，但对异常值非常敏感。

评价模型的准确性

欠拟合(under-fit)是模型没有很好地捕捉到数据特征，不能够很好地拟合数据；过拟合(over-fitting) 是模型把数据学习的太彻底，模型泛化能力太差，不能很好的预测数据。理想情况下，我们希望既不欠拟合，也不过拟合。

了解了欠拟合和过拟合，我们需要选择一个能反映模型预测能力的评估标准。

和方误差(sum-squared error, SSE)，即真实值与模型预测值误差平方。

 

均方误差（mean-square error, MSE），即真实值与模型预测值误差平方的平均值。

方均根差(root-mean-square error, RMSD)也是一种常用的测量数值之间差异的方法。RMSD表示预测的值和实际值之差的样本标准差。

防止过拟合

正则化可以减少过拟合的风险，通过惩罚因子对回归系数进行抑制。

L1正则化表示各个参数绝对值之和；L2正则化表示各个参数平方和的开方值。在常用的回归方法中，岭(Ridge)回归使用L2正则化、Lasso法使用L1正则化、弹性网(Elastic net)使用L1+L2正则化，它们都能有效的避免过拟合。

这些回归算法在Splunk MLTK中可以直接使用，并且不需要编写复杂的代码，甚至变得更简单。

我们来看Splunk MLTK中数值预测用例：第一步，在搜索框内搜索数据，这里我们使用测试数据housing.csv，同样你也可以使用自己的数据；第二步，选择一种回归算法、确定要预测的字段、选择用来预测的字段(特征)、调整训练集和验证集的比例；第三步，填写模型名称并进行训练。

图表详细展示了字段预测值和真实值的差距：

同样Splunk MLTK也实现了模型准确性的验证，并且可以通过特征系数来解释为什么会产生这样的模型：

如果你想了解更多有关机器学习信息，或者在使用Splunk MLTK中有任何疑问，都可以到论坛(http://ask.10data.com)进行留言和讨论。