超级会员免费看
这篇博客详细介绍了如何从最大似然的角度推导线性回归的损失函数，通过对概率密度函数的对数转换和求导，找到损失函数的最小值，即最优解seta。博主强调，损失函数最小化是机器学习目标，通过迭代或直接计算都能找到解，但大数据量时通常采用迭代方法。此外，证明损失函数为凸函数以确保存在全局最小值，需要用到高等数学中的黑塞矩阵和偏导数知识。
然后我们继续来看这里,目标函数,上面的logL(seta) 这里的seta其实就是w0到wn,一组数对吧
然后,我们知道这个logL(seta) 其实就是,概率密度函数,我们前面推导的,就是概率密度函数,写成
logL(seta) 表示,把概率密码,改成logL(seta) 就是把相乘变成相加了,然后我们在看,
前面的那个Lseta那个符号,其实就是对logL(seta)的简写,这里的L,大写的L就是likelyhood,似然的意思,然后我们再看.
如果把logL(seta)写开以后,可以看到,第二行:logπ(i=1 到m) 可以看到,这个公式,其实就是,取的相乘对吧,然后我们说,我们可以把相乘从,相乘转化成相加,利用的是对数.
所以我们再看下一个公式,Elog(....),这个公式第三行的公式,其实就是转化为相加后的,概率密度公式了,可以看到这里其实就是得出的某一组数据的,一个概率密度对吧.
然后我们接着来看,下面的一行转化,可以看到,这里是
mlog,根号2π西格玛 分之1, 这个是什么意思呢?
我们先来
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
