《机器学习实战》——回归
来源:互联网 发布:淘宝上卖自己做的熟食 编辑:程序博客网 时间:2024/05/16 12:51
基本原理:已知输出的目标变量形式,利用样本求出参数。
如果将监督学习比作分类,那么回归可以看作拟合。
前者输入一串特征,输出类别;后者输入一串特征,输出连续函数(线性、非线性)。
如果要进行线性拟合,那么基本确定了线性方程,只利用样本需求出系数(比如直线方程的斜率和截距)。
如果进行非线性拟合,将数据分段切分成树状,分段利用线性拟合方法求出目标变量。
主要内容:
1. 用线性回归找到最佳拟合直线
2. 局部加权线性回归
上述线性回归的缺点:因为所求为最小均方误差的无偏估计,可能出现欠拟合。因此线性拟合那条直线可以不那么“直”,也就是允许一些偏差。
线性加权回归LWLR(Locally Weighted Linear Regression)——先给预测点附近的每个点赋予一定的权重,然后进行线性回归。
与KNN一样,每次需要选出对应的数据子集。
赋予权重的方法为“核”机制:利用核函数将一个特征空间映射到另一个。最常见的高斯核
缺点:每对一个点预测,都必须用整个数据集,增加了计算量。
3. 缩减系数
当样本特征比样本还多,线性回归条件不满足。因为矩阵非满秩无法取逆。
三种方法:
0 0
- 机器学习实战——树回归
- 机器学习实战——Logistic回归
- 《机器学习实战》——logistic回归
- 《机器学习实战》——回归
- 机器学习实战 ——ch08.回归
- 机器学习实战——Logistic回归
- 《机器学习实战》——logistic回归
- 《机器学习实战》——Logistic回归
- 《机器学习实战》——logistic回归
- 机器学习实战——Logistic回归
- 《机器学习实战》——Logistic回归
- 机器学习实战—逻辑回归
- 机器学习实战 回归
- 机器学习实战学习笔记9——Logistic回归
- 机器学习实战——预测数值型数据:回归
- 机器学习实战——第五章:Logistic回归
- 机器学习实战——第九章:树回归
- 《机器学习实战》笔记之五——Logistic回归
- Contains Duplicate II-副本包含
- PAT-Kuchiguse
- BestCoder Round #74 (div.2)
- 网络七层 以及iOS开发中的get请求 post请求
- retrofit--------样例代码
- 《机器学习实战》——回归
- 不同渲染路径下Pass执行规则总结
- 43. Multiply Strings
- Ant入门
- Mule ESB 入门,最简单的Hello实例
- 排序算法之导论
- [CodeForces 552C]Vanya and Scales[math]
- linux c程序中获取shell脚本输出的实现方法
- 入住CSDN