bessere Ergebnisse von einfachen linearen Regression als multivariate/multiple reg

Question

Ich habe ein bestehendes Modell, das Hauspreise prognostiziert, die einfache lineare Regression verwendet. Als Eingabe habe ich Datum und Ausgabe ist Preis.

Ich wollte die Gesamtergebnisse verbessern, also habe ich eine weitere Funktion hinzugefügt. Neu ist die Entfernung von der geschätzten Immobilie.

Problem ist, dass die multiple/multivariate Regressionen ein bisschen schlechter als die einfache Regression führt. (Alle Daten sind normalisiert)

Haben Sie einige Ideen, warum das passiert und wie kann ich das angehen?

Answer 1

Es gibt Dutzende von möglichen Gründen, nur aufzulisten paar:

• , wenn Ihr neues Feature ist kaum korreliert mit dem, was man vorherzusagen versuchen - Sie werden somit an das System effizient injizieren Lärm kann nicht besser erwarten Leistung
• wenn Sie haben nur sehr wenige Datenpunkte mehr Funktionen zu viel schwierigeres Problem
• da Sie lineares Modell führen kann verwenden, auch wenn die neue Funktion sehr guter Prädiktor ist, aber ihre Beziehung ist nicht zum abhängige lineare Variable - Modell wird fehlschlagen a s gut
• lineare Regression als solche ist sehr naive Modell, sogar Grat/lasso Regression könnte vollständig das Ergebnis ändern (vor allem lasso, da es bessere Angebote mit schlechten Eigenschaften)