多元回归是线性回归模型的扩展，它允许预测具有多个自变量的系统。多元回归专门用于创建具有单个因变量和多个自变量的模型的回归。而参数会对多元回归模型的结果产生影响。本文就来告诉大家确定多元回归模型中哪个是最重要的参数的方法。
确定哪些参数最重要的一种方法是计算每个系数的标准误差。标准误差表示模型对每个系数的置信度，较大的值表示模型对该参数的把握度较低。即使没有看到潜在的方程式，我们也可以凭直觉得出这一点。如果与术语相关的错误通常很高，则意味着该术语对模型与数据集的匹配没有太大影响。
计算出每个系数的标准误差后，就可以使用结果来确定哪些系数最高，哪些系数最低。由于高值表示这些项为模型增加的预测值较少，因此就可以知道这些项是最不重要的保留项。此时，可以开始选择删除模型中的哪些项以减少方程中的项数，这些项数不会显着降低模型的预测能力。
另一种方法是使用一种称为正则化的技术。正则化的工作原理是向基于多元回归方程中项数的误差计算添加一个新项。等式中更多的项必然导致更高的正则化误差，而更少的项必然导致更低的正则化误差。此外，可以根据需要增加或减少在正则化方程中添加项的惩罚。增加惩罚也会导致更高的正则化误差，而减少惩罚会导致更低的正则化误差。
通过将正则化项添加到误差方程，最小化误差不仅意味着最小化模型中的误差，还意味着最小化方程中的项数。这必然会导致模型与训练数据的拟合度较差，但也会固有地导致方程中的项较少的模型。正则化误差中更高的惩罚项值会给模型带来更大的压力，使其具有更少的项。
