机器学习之线性回归
来源:互联网 发布:教师网络信息管理平台 编辑:程序博客网 时间:2024/04/29 19:06
线性回归的函数表示
线性回归就是用线性方程去拟合一组数据,
我们令
代价函数
既然是拟合的模型, 则肯定会存在不符合该模型的点, 第
假设总共有
我们的目的是使总的误差最小, 只需求得使
代价函数的概率解释
那代价函数为什么是这个形式的呢? 我们可以假定目标变量具有如下的形式
其中
也即:
因为参数
为了计算上的方便, 使两边取对数, 则有:
从上面式子的结果可以看出, 我们只须令
取最小值即可. 这便是为什么在线性回归中使用均方误差作为性能度量的一个解释。
求最优参数 θ
由于代价函数
下面介绍两种方法:
梯度下降
由于梯度是函数下降最快的方向, 因此我们可以重复对
更新
其中
根据以上导出的式子可以看出, 对于只有一个数据点的情形, 参数
那么考虑所有的
随机梯度下降
我们从上面更新
注意我们不保证随机梯度下降一定能收敛到全局最小, 但在实践中, 其收敛结果是足够接近最优
正规方程
由于
从而有
注意这一步的求解需要满足一个隐含的条件:
岭回归
如果
对该代价函数求导:
令其为0可得:
梯度下降法与正规方程的优劣比较
只要在训练样本的特征数
局部加权线性回归
线性回归可能存在的一个问题是欠拟合,因为它求的是具有最小均方误差的无偏估计,有些方法允许在估计中引入一些偏差,从而降低预测的均方误差。
我们为每个样本点赋予不同的权重,则代价函数可表示为:
其中样本权重定义为:
参数
最后求得参数为:
可以看到每次预测
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习之线性回归
- 机器学习实战之线性回归+局部加权线性回归
- 【机器学习之学习笔记】线性回归
- 机器学习练习之线性回归
- 机器学习之线性回归模型
- 机器学习之二-线性回归
- 【机器学习算法】之线性回归分析
- Linux异步通知fasync
- MyEclipse 2014优化设置
- 利用Python实现Fibonacci Squence
- MongoDB的性能优化
- 几个南阳oj的STL题
- 机器学习之线性回归
- PowerPoint 2000视图方式讲解
- 【Qt学习笔记】——用QTextStream创建输入输出变量
- Activiti 查询最新版本的流程定义
- Python 经典书籍
- 设置input获得焦点边框样式
- 摄像机模型与标定——三个坐标系及其之间关系
- PO VO DAO DTO BO TO
- Java文字图像识别