我正在分析一些数据。我有7个特征，并希望预测y。我进行了前向选择和后向消除，但是两个模型都产生非常糟糕的结果。我通过转换x变量（x ^ 2，x ^ 3、1 / x，x ^（1/2））生成了更多特征，以查看结果是否更好（总共28个变量） 运行代码后，无论做什么（调整显着性水平，更改消除标准），我什至都得到最差的结果，在前向选择中我总是得到截距作为回归函数，在后向消除中我总是得到所有变量（正态变量和变换变量）。
您知道为什么会这样吗？据我了解，在正向选择的情况下，该算法会检查每个变量的p值并添加最佳变量。因此，如果在第一种情况下（没有转换变量）x1在回归函数中，那么在第二种情况下（具有转换变量）x1也应该在回归函数中，而不仅仅是拦截函数。
谢谢。
答案 0 :(得分：0)
您的受抚养人（y）correlated是否具有您的任何独立或生成的x功能？
您如何评估模型，R-squared是一种流行的指标。接近1的值可能表示模型更好，因为您选择的x变量擅长解释y的变化（预测）。更好的指标可能是您的Adjusted R Squared，因为如果使用更多的x变量，则该值将较低；如果使用更少的x变量，则该值将更大或更接近R Squared。
某些代码或工具将有助于提供更具体的响应。
此外，您正在使用回归分析。有许多类型使用不同的假设。即便如此，有时回归分析可能并不是开发理想模型的选择算法