回归(Regression)
来源:互联网 发布:vb if then 编辑:程序博客网 时间:2024/06/14 23:39
回归(Regression)
1 基本介绍
- 回归的应用:1、股票价格预测;2、自动驾驶;3、推荐算法
- Example:预测pokemon的Combat Power
机器学习的基本步骤:从一系列的函数集合中找到一个最符合当前训练集合的函数。简单的Linear Model形式:
- Trainin Data:
D={(x1,y1),(x2,y2),……(xn,yn)} - Loss function:
L(f)=L(w,b)=∑ni=1(yi−(w⋅xi+b))2 f∗=argminfL(f) w∗,b∗=argminw,bL(w,b)
2 梯度下降(Gradient Descent)
- 1、随机选取
w0、b0 ;2、计算微分∂L∂w|w=w0,b=b0、∂L∂b|w=w0,b=b0 ;3、更新w1←w0−η∂L∂w|w=w0,b=b0 ,b1←b0−η∂L∂b|w=w0,b=b0 ,η 为学习率。4、更新偏微分,更新参数,不断迭代; - Gradient:
∇L=⎡⎣∂L∂w∂L∂b⎤⎦ - 梯度下降目标函数若存在多峰,很可能最终得到的是一个局部最优值,最终结果依赖随机初始的值。但是在线性回归中没有局部最优,因此可以避免这个问题。
3 Linear Regression推导
- Average error on training data:
1n∑ni=1ei - 评估模型好坏:testing data、Generalization
4 过拟合
- 二次模型:
y=b+w1x+w2x2 - ……
- 对于n条数据可以训练出一个n-1次模型以0误差拟合,但是过拟合(overfitting)!越复杂的模型在testing data上表现越差。
5 Regularization
- 过拟合的解决方式之一:正则化。
L=∑ni=1(yi−(w⋅xi+b))2+λ∑||wi||2
期望得到的模型中,wi 不为零的数越少越好,越少意味着模型越简单,模型越平滑。
0 0
- 回归(Regression)
- 回归(regression)
- Python回归 岭回归(Ridge Regression)
- 回归测试(Regression Test)
- 岭回归(ridge regression)
- 线性回归(linear regression)
- 回归分析(Regression Analysis)
- 线性回归(linear regression)
- 逻辑回归(logistic regression)
- Softmax回归(Softmax Regression)
- 回归测试(Regression Test)
- 线性回归(Linear Regression)
- 逻辑回归(Logistic Regression)
- 逻辑回归(Logistic Regression)
- 岭回归(Ridge Regression)
- 脊回归(Ridge Regression)
- 稳健回归(Robustness regression)
- 岭回归(ridge regression)
- Could not launch “***”process launch failed: failed to get the task for process 402
- ORACLE数据库一些使用技巧
- oracle DG主备切换
- Java 数组实现顺序队列
- Linux df命令
- 回归(Regression)
- SQLServer 提升查询速度
- 动态选路协议
- 误差(Error)
- ORACLE 中OVER()结合rank(),dense_rank(),rownumber() 使用方法
- latencytop深度了解你的Linux系统的延迟
- redis
- May Day Holiday
- MyBatis 配置文件