局部加权线性回归（LWR）是一种非参数预测技术，每次预测新样本时都会根据训练数据重新计算参数。与参数学习方法不同，LWR的参数在每次预测时都是不确定的。线性回归模型通过最小二乘损失函数确定变量间关系，而在LWR中，损失函数引入了权重，使得预测更加灵活。算法包括输入预测样本、计算权重、确定线性系数及预测输出等步骤。实战中，可以使用R语言进行实现。
局部加权回归(Locally Weighted Linear Regression，LWR)是一种非参数学习方法–在预测新样本值时候每次都会重新训练数据得到新的参数值，也就是说每次预测新样本都会依赖训练数据集合，所以每次得到的参数值是不确定的。
注：参数学习方–在训练完成所有数据后得到一系列训练参数，然后根据训练参数来预测新样本的值，这时不再依赖之前的训练数据了，参数值是确定的。
线性回归
在普通的线性回归分析中，常用表达形式 y=fw′(x)=wTx+w0 来确定两种或两种以上变数间相互依赖的定量关系，其中 x=(x1,x2,...,xn)T , w=(w1,w2,...,wn)T , w
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
