机器学习面试准备之一、线性回归与逻辑回归

本文介绍了机器学习面试中常见的线性回归和逻辑回归。线性回归适用于连续变量预测,逻辑回归则是非线性二分类模型。讨论了两者优缺点,如线性回归的简单性与对非线性数据的不适用,以及逻辑回归的线性模型与sigmoid转换。还涉及正则化方法以防止过拟合,并区分了分类与回归任务的本质差异。

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

机器学习面试准备之一、线性回归与逻辑回归

(1)线性回归(Linear Regression):

线性回归才是真正用于回归的,而不像logistic回归是用于分类,其基本思想是用梯度下降法对最小二乘法形式的误差函数进行优化。单变量线性回归的基本形式就是y = ax + b,用来拟合数据,比如房屋面积和价格的关系。

收集的数据中,每一个分量,就可以看做一个特征数据。每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数,多变量线性回归的表示形式为:

image

优化目标为:

image

在线性回归的基础上,有了局部加权线性回归(LWLR),优化目标为:

image

由此可见LWLR与LR不同,LWLR是一个非参数模型,因为每次进行回归计算都要遍历训练样本至少一次。

线性回归优缺点:

  • 优点:实现简单,计算简单;
  • 缺点:不能拟合非线性数据;

(2)逻辑回归(Logistic Regression):

Logistic是用来分类的,是一个非线性的二分类模型,主要是计算在某个样本特征下事件发生的概率,但是它本质上又是一个线性回归模型,因为除去

评论 2
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