数据清洗的重要性
数据清洗是机器学习流程中不可或缺的一环，直接影响模型的性能和可靠性。线性回归模型对数据质量尤为敏感，未经处理的脏数据可能导致模型偏差、方差增大或完全失效。数据清洗如同烹饪前的食材筛选，剔除变质部分、保留精华，确保最终“菜肴”的品质。
缺失值处理
线性回归模型无法直接处理缺失值，需根据数据特性选择策略。删除法适用于缺失比例较低且随机分布的情况，直接移除含缺失值的样本或特征。填充法更常见，数值型特征可用均值、中位数或预测模型填充，分类变量可用众数或单独作为一类处理。
插值法适合时间序列数据，使用线性插值或样条插值填补空缺。对于缺失比例超过30%的特征，建议直接删除该特征，避免引入过多噪声。
异常值检测与处理
异常值会显著扭曲线性回归的拟合结果。箱线图法是直观的检测工具，将超出1.5倍四分位距的数据点视为异常。Z-score方法适用于正态分布数据，通常将绝对值大于3的得分点判为异常。
处理方式包括截断（Winsorization）、替换为中位数或直接删除。对于多变量数据，Mahalanobis距离能检测多元异常值。业务场景知识也很关键，某些“异常”可能是重要业务信号而非噪声。
数据类型转换
线性回归要求输入为数值型数据。分类变量需进行独热编码（One-Hot Encoding）或标签编码（Label Encoding），前者适用于无序类别，后者适用于有序类别。注意独热编码可能引发维度灾难，可通过特征哈希或嵌入层降维。
日期时间变量应分解为年、月、日等数值特征，或转换为时间戳。文本数据需通过TF-IDF或词嵌入转换为数值向量，但通常需要更复杂的模型配合。
特征缩放与标准化
不同量纲的特征会导致梯度下降效率低下。Min-Max缩放将值压缩到[0,1]区间，公式为：
X' = (X - X_min) / (X_max - X_min)
Z-score标准化使数据服从均值为0、标准差1的分布：
X' = (X - μ) / σ
对于稀疏数据，Robust Scaling使用中位数和四分位距更有效，能抵抗异常值影响。注意测试集必须使用训练集的缩放参数，避免数据泄露。
多重共线性诊断
特征间高度相关性会破坏线性回归的参数估计。计算方差膨胀因子（VIF）是常用方法：
VIF = 1 / (1 - R2)
其中R2是该特征对其他特征的回归决定系数。VIF>5表明存在共线性，可通过删除特征、PCA降维或引入正则化解决。相关系数矩阵热图也能直观展示特征相关性。
非线性关系检测
线性回归假设特征与目标呈线性关系。绘制部分回归图（Partial Regression Plot）可验证该假设。发现非线性时，可尝试多项式特征、对数变换或分段处理。Box-Cox变换能自动确定最佳幂变换：
y(λ) = (y^λ - 1)/λ (λ≠0) y(λ) = ln(y) (λ=0)
数据分布调整
线性回归对非正态分布数据虽具有鲁棒性，但正态化能提升性能。对数变换适用于右偏分布，平方根变换处理泊松分布数据。Quantile Transformer可将任意分布转换为均匀或正态分布，但可能改变数据关系。
特征工程优化
创建更有意义的衍生特征能显著提升模型表现。例如将面积与体积比作为新特征，或将时间序列数据的移动平均值纳入模型。领域知识驱动的特征构造往往比自动化工具更有效，需与业务专家紧密合作。
验证清洗效果
最终需通过模型性能反证清洗效果。比较清洗前后模型的R2、RMSE等指标，观察系数稳定性和统计显著性变化。残差分析能揭示未被处理的异常模式，Q-Q图验证误差项的正态性假设。
数据清洗是迭代过程，需结合模型反馈不断调整策略。优秀的清洗方案能使简单线性回归达到复杂模型的精度，体现“数据质量优于算法复杂度”的机器学习黄金准则。
https://raw.githubusercontent.com/LouisaLoue/hwv_ojwb/main/README.md
https://github.com/MaggWyat/6m6_envo
https://github.com/MaggWyat/6m6_envo/blob/main/README.md
https://raw.githubusercontent.com/MaggWyat/6m6_envo/main/README.md
https://github.com/Athenaxton/gc0_vt34
