1.提出问题 明确要分析的问题，为后续的机器学习过程提供目标。 2.理解数据（采集并查看数据） 采集数据（根据研究问题采集数据）；导入数据（从不同数据源读取数据）；查看数据信息（描述统计信息、数据缺失值、异常值情况等，可以结合具体图表来直观查看数据）。 3.数据清洗（数据预处理） 数据预处理是数据分析过程中关键的一环，数据质量决定了机器学习分析的上限，而具体采用的算法和模型只是逼近这个上限。（包括缺失数据处理、异常值处理、数据类型转换、列名重命名、数据排序、选择子集、特征工程等步骤） 4.构建模型 根据研究的问题以及数据的特点选择合适的算法，将训练数据放入所选择的机器学习算法中构建相应的模型，有时需要对多种算法模型进行比较，甚至进行模型整合。 5.模型评估 利用测试数据对得到的模型效果进行评估，具体评估指标依据研究的问题及采用的模型进行选择，常用到的指标需根据模型的类型而定，如分类模型常用准确率、ROC-AUC等，而回归模型可以用决定系数等。

二、多元线性回归预测模型的显著性检验 与一元线性回归的情形类似，也应检验y与x1,x2…，xm之间的线性相关关系是否显著。只有线性相关关系显著时，所求得的多元线性回归模型才有应用价值，这时，也称回归模型（方程）的回归效果显著。 但与一元线性回归也有不同之处：一元线性回归中只有一个自变量，“回归效果不显著”与“b=0”是一回事；对于多元线性回归则要复杂得多，否定了假设 “H0：b1=b2=…=bm=0”时，认为多元线性回归方程的“整个回归效果是显著的”，有一定实用价值，但并不等于说y与所有的自变量xj(j=1，2，…，m)均有密切的相关关系，也可能有某几个xj与y 的相关关系并不密切，但没有影响大局。因此，对多元线性回归模型，除了要检验“整个回归效果是否显著”外，还应逐个检验每个回归系数bj(j=1，2，…，m)是否为零，以便分辨出哪些xj对y无显著影响。下面分别加以讨论。

基于matlab编写的duibin算法，然后利用相关系数求出共振峰，并将共振峰与原语音的频域进行比较。

基于人工神经网络的非线性回归预测模型的研究

用-SPSS-Modeler-建立线性回归预测模型