LMS权值更新法则(Least mean squares,最小均方)
来源:互联网 发布:英国日常生活 知乎 编辑:程序博客网 时间:2024/06/06 20:06
训练样例(X,V(X)), 其中X为特征值和权重的内积W*X。
如果目标函数表示成:
V(X)=W0+W1*X1+W2*X2+W3*X3+W4*X4+W5*X5+W6*X6
对于每一个训练样例(X,V(X))
使用当前的权计算V(X)
(X)) Xi (其中V(X)为训练集的期望值(人工标注的值),V`(X)为经验值(模型计算出来的值))
对每一个权值wi进行如下更新
Wi←Wi+η(V(X)-V
这里η是一个小的常数(比如0.1)用来调整权值更新的幅度,称作步长或者学习率。
如何理解LMS权值更新:
当误差(V(X)-V(X))为0时,权不会被改变。即当经验值和期望值相同的时候说明当前的权重W是比较符合真实模型(假设空间中最对的那个模型)的,W不需要调整。
(X))为正时说明V
当(V(X)-V(X)是低于期望值的,此时就要升高V
(X), 所以每一个权值会根据其对应特征值增加一定的比例。这会提升V(X)的值而减小误差。当V
(X)高于V(X)的值的时候是同样的道理。
注意如果某个特征值(参数)Xi为0,那么它的值不会因这个误差而改变,这样便使只有那些在训练样例中确实出现的特征的权值才被更新。
LMS算法通常用于权值更新,使得模型逐渐逼近真实模型。
阅读全文
0 0
- LMS权值更新法则(Least mean squares,最小均方)
- 20170221机器学习代码1. LMS(Least mean squares)最小均方值. MATLAB
- LMS 权值更新法则
- Adaline:Least-Mean-Square (LMS)
- LMS最小均方算法
- LMS最小均方算法
- LMS最小均方算法
- 最小均方(LMS)算法
- 最小均方算法 LMS
- 什么是LMS算法(Least mean square)
- Python实现最小均方算法(lms)
- 最小均方算法(LMS)
- 最小均方算法(LMS)
- 最小均方算法LMS总结
- LMS(least mean square)自适应滤波算法matlab实现
- 机器学习小组知识点2:最小均方算法(LMS)
- 【信源编码作业】6. 最小均方算法(LMS)
- (信源五)最小均方算法--LMS
- git checkout 和 git reset
- POJ 2923 Relocation(状压DP+01背包)
- android输入框取消横屏全屏输入
- HashMap与Hashtable的区别
- Android四大组件:BroadcastReceiver
- LMS权值更新法则(Least mean squares,最小均方)
- C++程序计时函数
- spring:一个简单的实例
- 获取6位数验证码
- hibernate一级缓存,二级缓存,三级缓存,缓存算法及配置
- oracle之PLSQL工具远程连接实践笔记
- Java Web学习总结51:邮件的发送与接收原理
- [2017-09-04]Abp系列——为什么值对象必须设计成不可变的
- Android中高效的显示图片