人工智能基础_机器学习034_多项式回归升维_以及维度概念详解_没有拟合不是模型不行_而是数据不行_没有把方程中的二次幂x^2数据补齐_数据需要升维---人工智能工作笔记0074

本文介绍了如何通过数据升维来解决非线性数据的拟合问题,特别是利用线性回归处理经过升维后的多项式数据。通过将特征如x1的平方项加入,可以改进模型的预测能力。文中强调了升维的试错过程,以确定最佳的升维方式,并展示了升维前后的数据对比,说明原始数据缺少二次幂特征导致拟合不足,而经过升维后的模型能够更好地拟合数据。

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

上一节我们说了一种,对于一元二次方程的,升维的方法,并且使用线性回归对升维后的数据进行了训练,得到了一个可以拟合数据的图形曲线.

那么这样就让我们可以用线性回归,来处理非线性数据,对预测数据进行拟合了,我们提出了,

我们可以让比如 y = w1*x1+b 这种,我们可以给系数x1,让他给平方,或者立方,加上这两个系数

比如改成y = w1*x1+w2*x1^2+b 这样,然后再去用线性回归进行升维处理数据,也就是对我们生成的

训练数据,比如X1进行升维,添加一列X1^2,然后带入线性回归进行计算.

经过我们的数据升维处理,进行线性回归带入运算,得到的曲线很好的预测和拟合了数据,但是这里

升维的话,具体我们是升维到平方,还是立方?这个咱们不知道,这里就需要尝试对吧,一个个尝试,看哪个拟合的好.如果事前知道了是平方还是立方,那么就相当于可以预测股票了哈哈.

可以看到上面是我们升维之前的数据,可以看到虽然是二维数组,但是

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

打赏作者

添柴程序猿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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