机器学习中数据优化的几种方法
来源:互联网 发布:mac合盖播放 编辑:程序博客网 时间:2024/05/19 23:55
一:梯度下降和梯度上升
二. 最小二乘法
我们以最简单的一元线性模型来解释最小二乘法。什么是一元线性模型呢? 监督学习中,如果预测的变量是离散的,我们称其为分类(如决策树,支持向量机等),如果预测的变量是连续的,我们称其为回归。回归分析中,如果只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量,且因变量和自变量之间是线性关系,则称为多元线性回归分析。对于二维空间线性是一条直线;对于三维空间线性是一个平面,对于多维空间线性是一个超平面...
对于一元线性回归模型, 假设从总体中获取了n组观察值(X1,Y1),(X2,Y2), …,(Xn,Yn)。对于平面中的这n个点,可以使用无数条曲线来拟合。要求样本回归函数尽可能好地拟合这组值。综合起来看,这条直线处于样本数据的中心位置最合理。 选择最佳拟合曲线的标准可以确定为:使总的拟合误差(即总残差)达到最小。有以下三个标准可以选择:
(1)用“残差和最小”确定直线位置是一个途径。但很快发现计算“残差和”存在相互抵消的问题。
(2)用“残差绝对值和最小”确定直线位置也是一个途径。但绝对值的计算比较麻烦。
(3)最小二乘法的原则是以“残差平方和最小”确定直线位置。用最小二乘法除了计算比较方便外,得到的估计量还具有优良特性。这种方法对异常值非常敏感。
最常用的是普通最小二乘法( Ordinary Least Square,OLS):所选择的回归模型应该使所有观察值的残差平方和达到最小。(Q为残差平方和)- 即采用平方损失函数。
样本回归模型:
其中ei为样本(Xi, Yi)的误差
平方损失函数:
则通过Q最小确定这条直线,即确定,以为变量,把它们看作是Q的函数,就变成了一个求极值的问题,可以通过求导数得到。求Q对两个待估参数的偏导数:
根据数学知识我们知道,函数的极值点为偏导为0的点。
解得:
这就是最小二乘法的解法,就是求得平方损失函数的极值点
三 牛顿法和拟牛顿法以及Hessian
放一个还算不错的链接http://blog.csdn.net/itplus/article/details/21896453
- 机器学习中数据优化的几种方法
- 机器学习中常见的几种优化方法
- 机器学习中常用的优化方法
- 机器学习中常见的几种最优化方法
- 机器学习中常见的几种最优化方法
- 机器学习中常见的几种最优化方法
- 机器学习中常见的几种归一化方法以及原因
- 机器学习中导数最优化方法
- 机器学习中导数最优化方法
- 机器学习的几种相似性度量方法
- 机器学习中常用的数据集处理方法
- 机器学习中常用的几种相似性度量
- 机器学习中几种常见的优化方法
- 机器学习中数据归一化和两种常用的归一化方法
- Android中ListView的几种常见的优化方法
- Android中ListView的几种常见的优化方法
- Android中ListView的几种常见的优化方法
- Android中ListView的几种常见的优化方法
- 正则表达式--1
- 14_调整数组顺序使奇数位于偶数前面
- 递归函数使用引用传递的问题
- xargs和grep的区别
- 1009. 说反话 (20)
- 机器学习中数据优化的几种方法
- PE 格式详解
- 网络请求+购物车
- 十一个行为型模式9:策略模式-Strategy Pattern【学习难度:★☆☆☆☆,使用频率:★★★★☆】
- codeforces 827F. Dirty Arkady's Kitchen
- 看时序图写程序
- Leecode:Longest Substring Without Repeating Characters
- 正则表达式
- 大家一起学爬虫(二)