Linear models for regresion(回归)

线性回归是监督学习中的基础模型,常用于预测连续值。模型通过找到输入特征与输出之间的线性关系来拟合数据。它可以采用多种basis function,如多项式、高斯、sigmoid等。学习目标是最小化成本函数,通常使用梯度下降算法进行参数更新。在线性回归中,过拟合和欠拟合是关键问题,通过正则化可以缓解过拟合,调整模型复杂度与泛化能力的平衡。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

线性回归模型使用的场景是有监督学习(supervised learning)。

例如下例给定训练样本集, 输入特征是二维的,让我们去预测房价。 我们就可以使用线性回归模型去求解。 例如多项式拟合价格和输入二维特征向量的关系, 我们模型的参数就是多项式前面的那些系数。

 

 

首先回归(regression)的目的就是指根据给定一个d维的输入特征向量x, 预测出一个或者多个取值连续的target variables t 的值。

线性回归模型常用的一个特殊的例子就是多项式拟合。 不过线性回归模型远非只有多项式, 而是还有很多的类型, 这主要是更具basis function的类型来看的。 尽管线性回归模型并不是输入特征向量的一个线性函数, 但是我们之所以称之为线性模型是因为他们是basis的线性函数。 更确切的说这些模型是模型参数的线性函数。 模型参数就是basis function 前面的weight参数, 即拟合函数是linear combination of basis function。

或者写成利用:

改写成如下:

其中:

 

这些basis functions 可以是输入特征向量的非线性函数。 常见的可以作为basis functions的函数类有多项式函数类, Gaussian basis functions如下:

亦可以是sigmoidal basis function:

亦可以是logistic sigmoid function:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值