本文详细介绍了回归算法的学习过程，包括线性回归的基本思想、正态分布及其在算法中的应用、极限、导数等数学概念在求解残差最小值中的作用、全微分和偏微分在最小二乘法中的应用、F检验用于评估回归效果、t统计量和z统计量的理解、置信区间的计算以及逻辑回归的算法思想、logistic变换函数和极大似然估计等内容。
在学习回归算法过程中，一路遇到不少问题，数学和算法方面的基础薄弱，因此采用的策略是深度优先的学习方法，从头到脚看算法，遇到不懂的概念就跳转如相关概念或算法的学习。
1.线性回归基本算法思想
2.正态分布：其中的随机误差符合正态分布
3.极限，导数，方向导数，梯度，梯度下降法求残差最小值；
4.全微分，偏微分，最小二乘法求残差最小值；
5.回归效果的显著性检查F检验：考察各直线对各个变量的拟合程度好坏，是否真正体现了一种线性关系；
6.t统计量和z统计量
6.置信区间，置信度的计算；
7.逻辑回归基本算法思想；
8.logistic 变换函数
9.极大似然估计，对数似然函数
总体下来一个简单的回归算法对初学者也并不轻松，用这样的学习方式开头比较慢，随着基础渐渐稳固，以后的学习效率将会不断提高
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
