原文链接：http://tecdat.cn/?p=22251
线性回归时若数据不遵从正态分布，会给线性回归的最小二乘预计系数的后果带来误差，所以须要对数据进行结构化转换。
在探讨回归模型中的变换时，咱们通常会简略地应用Box-Cox变换，或部分回归和非参数估计。
这里的要点是，在规范线性回归模型中，咱们有
然而有时候，线性关系是不适合的。一种想法能够是转换咱们要建模的变量，而后思考
这就是咱们通常应用Box-Cox变换进行的操作。另一个想法能够是转换解释变量，
例如，咱们有时会思考间断的分段线性函数，也能够思考多项式回归。
“凸规定”变换
“凸规定”(_Mosteller_. F _and_ _Tukey_, J.W. (1978). _Data_ _Analysis_ _and_ _Regression_)的想法是，转换时思考不同的幂函数。
1.“凸规定”为纠正非线性的可能变换提供了一个终点。
2 .通常状况下，咱们应该尝试对解释变量进行变换，而不是对因变量Y进行变换，因为Y的变换会影响Y与所有X的关系，而不仅仅是与非线性关系的关系
3.然而，如果因变量是高度歪斜的，那么将其转换为以下变量是有意义的
更具体地说，咱们将思考线性模型。
依据回归函数的形态（上图中的四个曲线，在四个象限中），将思考不同的幂。
例如让咱们生成不同的模型，看看关联散点图。
> plot(MT(p=.5,q=2),main="(p=1/2,q=2)")> plot(MT(p=3,q=-5),main="(p=3,q=-5)")> plot(MT(p=.5,q=-1),main="(p=1/2,q=-1)")> plot(MT(p=3,q=5),main="(p=3,q=5)")如果咱们思考图的左下角局部，要失去这样的模式，咱们能够思考
或更个别地
其中和都大于1.并且越大，回归曲线越凸。
让咱们可视化数据集上的双重转换，例如cars数据集。
> tukey=function(p=1,q=1){+ regpq=lm(I(y^q)~I(x^p) )+ u=seq(min(min( x)-2,.1),max( x)+2,length=501)+ polygon(c(u,rev(u)),c(vic\[,2\],rev(vic\[,3\]))^(1/q)+ lines(u,vic\[,2\]^(1/q)+ plot(x^p, y^q )+ polygon(c(u,rev(u))^p,c(vic\[,2\],rev(vic\[,3\])) )+ lines(u^p,vic\[,2\])例如，如果咱们运行
> tukey(2,1)咱们失去如下图，
左侧是原始数据集，右侧是通过转换的数据集，其中有两种可能的转换。在这里，咱们只思考了汽车速度的平方（这里只变换了一个重量）。在该转换后的数据集上，咱们运行规范线性回归。咱们在这里增加一个置信度。而后，咱们思考预测的逆变换。这条线画在右边。问题在于它不应该被认为是咱们的最佳预测，因为它显然存在偏差。请留神，在这里，有可能思考另一种形态雷同但齐全不同的变换
> tukey(1,.5)Box-Cox变换
当然，也能够应用Box-Cox变换。此外，还能够寻求最佳变换。思考
> for(p in seq(.2,3,by=.1)) bc=cbind(bc,boxcox(y~I(x^p),lambda=seq(.1,3,by=.1))$y)> contour(vp,vq,bc)色彩越深越好（这里思考的是对数似然）。 最佳对数在这里是
> bc=function(a){p=a\[1\];q=a\[2\]; (-boxcox(y~I(x^p),data=base,lambda=q)$y\[50\]> optim(bc,method="L-BFGS-B")实际上，咱们失去的模型还不错，
最受欢迎的见解
1.用R语言模仿混合制排队随机服务排队零碎
2.R语言中应用排队论预测等待时间
3.R语言中实现马尔可夫链蒙特卡罗MCMC模型
4.R语言中的马尔科夫机制转换(Markov regime switching)模型
5.matlab贝叶斯隐马尔可夫hmm模型
6.用R语言模仿混合制排队随机服务排队零碎
7.Python基于粒子群优化的投资组合优化
8.R语言马尔可夫转换模型钻研交通伤亡人数事变预测
9.用机器学习辨认一直变动的股市情况——隐马尔可夫模型的利用