再论最小二乘
来源:互联网 发布:银杉软件 编辑:程序博客网 时间:2024/06/07 23:46
标签(空格分隔): 机器学习
前面有写过一篇关于最小二乘与最大似然估计的博客点我点我,该博客从二者的本质不同进行了分析(一个是为了最好的拟合数据,一个是通过概率分布使时间最可能发生)
本篇博客将从目标函数求驻点及梯度下降的角度比较二者的不同。
最小二乘
目标函数
目标函数实际是从拟合中残差服从高斯分布推导出来的,但实际我们可以直接使用:
解法一:直接求导
这是需要重点分析的,面试中有问到过。
求驻点,令偏导为0,则
加入扰动项
防止
换个角度看扰动项
一般在求解回归的问题中,为防止过拟合我们会加入一个正则项,常用的正则项有L0-norm, L1-norm, L2-norm.(它们三者之间的区别与联系不作为本篇博客的重点,详细的解释见这篇博客:点我点我)
假设我们使用L2-norm(因为好求导~),则目标函数变为:
然后对这个新的目标函数对
与前面直接加入扰动项的做法是完全一致的!!怎么样,有木有很神奇!!(今年校招滴滴的笔试题最后一个简答题就是问这个知识点,后知后觉啊。。)
解法二:梯度下降
- 随机初始化
θ ; - 沿着负梯度方向迭代,更新后的
θ 使得J(θ) 更小;θj=θj−α∂J(θ)∂θ
梯度方向
- 再论最小二乘
- 说说最小二乘
- 最小二乘拟合
- 最小二乘
- 最小二乘拟合
- 最小二乘问题
- 最小二乘回归
- 最小二乘C
- 最小二乘拟合
- 最小二乘
- 最小二乘
- 最小二乘GAN
- 线性最小二乘
- 非线性最小二乘
- 最小二乘回归
- 什么是最小二乘拟合
- 最小二乘匹配程序
- 偏最小二乘回归
- QRCode生成二维码
- 解决Ubuntu中文显示为乱码
- Linux性能优化和监控系列(三) 分析Memory使用状况
- symfony的查询总结
- Canvas.rotate、save以及restore问题
- 再论最小二乘
- ZooKeeper系列之七:ZooKeeper命令行工具
- Unity获取摄像机的视口区域
- Mybatis中parameterType和parameterMap的区别
- java中UUID
- Spring与Quartz的整合实现定时任务调度
- 大神所写的深度好文---Gradle 构建工具
- linux程序设计:第一章:入门 第二章 :shell程序设计
- Echarts 动态从后台获取数据进行图表的展示