【机器学习--线性回归01】线性回归模型

这篇博客介绍了线性回归的基础,包括目标函数、正则项以及线性回归的概率解释。重点讨论了最小二乘线性回归如何等价于极大似然估计,并通过引入L1和L2正则项,分别对应Lasso和岭回归模型。博主强调数学基础的重要性,并指出线性回归在不同分布假设下的理论联系。

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

    等了很久,终于进入机器学习环节了。开始前只想说一句话:数学一定一定要学好!!!没有学完概率的我今天开头真的是看的昏昏欲睡,就算是现在也只能大概理解其原理,等抓紧时间学完概率,再来好好咀嚼一下这部分内容。最后给自己一碗鸡汤:从菜鸟走向大神,这是道路。

目标函数

    对于线性回归模型,它的目标函数一般包括两部分:损失函数正则项

                         

    在回归问题中,一般采用L2损失,并且线性回归多数时候可不计正则,即:

                         

正则项

    选用L2正则,可以得到岭回归模型:

                       

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