线性回归——最小二乘法
来源:互联网 发布:武汉软件新城怎么样 编辑:程序博客网 时间:2024/06/07 04:43
- 引用
- 线性回归
- 最小二乘法
- 举例
- 简单线性回归
引用
线性回归——最小二乘法2
线性回归
简单线性回归:对数据做散点图后,发现有线性相关趋势,因此利用线性回归方法获取散点拟合直线方程式,拟合指标是误差平方和。
利用matlab或者Octave进行线性拟合时,可以用polyfit(x,y,n)函数,但线性回归计算方法是什么呢?根据引用网站,线性回归有最小二乘法、梯度下降法、最大似然法,这里先学习最小二乘法。
最小二乘法
推导
多元线性方程:
系数阵W和变量
W=
….
最终得到W为线性方程的系数矩阵(常数项为第一位,与系数阵排列格式一致)。
举例
简单线性回归
利用最小二乘法进行简单线性回归,等我遇到多元线性回归问题再补充:
对不同产品的价格与评分进行简单线性回归:
Matlab/Octave代码:
%%W为系数阵,w0为常数项,w1为一次项系数,X为x的矩阵,Y为y矩阵W=[w0;w1];X=[1,3700;1,2500;1,2800;1,1900;1,1000;1,800;1,1700;1,600];Y=[87;84;82;74;73;69;68;55];%%利用最小二乘法计算WW=inv(X'*X)*X'*Y;
所得结果
W=
5.8158e+001
8.4488e-003
即线性回归方程为:y=5.8158e+001+ 8.4488e-003*x;
利用Octave的polyfit函数验证
x=X(:,2)';y=Y';polyfit(x,y,1)
所得结果为
ans=
8.4488e-003 5.8158e+001
注:Octave的最后一项才是常数项,需要注意
To be continued.
阅读全文
1 0
- 线性回归——最小二乘法
- 线性回归之——最小二乘法
- 线性回归之——最小二乘法
- 机器学习【2】线性回归——最小二乘法
- 线性回归-3-最小二乘法
- 线性回归 -- 最小二乘法
- 线性回归--最小二乘法笔记
- 线性回归之最小二乘法
- 线性回归,最小二乘法
- 线性回归:最小二乘法
- 线性回归----最小二乘法
- 线性回归 最小二乘法 方差
- 线性回归系列(1)-最小二乘法
- 机器学习--线性回归 最小二乘法
- 线性回归模型和最小二乘法
- 最小二乘法与多元线性回归
- 最小二乘法的多元线性回归
- 一元线性回归模型最小二乘法
- Vue入门之组件化开发
- 操作系统(一)
- iOS-JPush 3.0 版本相关问题<Background modes>
- 什么是异常,异常的分类?
- js中用构造器创建对象与字面量创建对象的区别
- 线性回归——最小二乘法
- 开始Python学习
- JQuery上传插件Uploadify的使用
- Vue实例详解与生命周期
- 先来简单介绍一下Block_转发自马在路上大神
- vue移动端地区选择练习1
- 离散题目7
- 论文阅读理解
- Sublime Text查找&替换