线性回归算法和一些技巧

本文探讨了线性回归的基本概念,包括普通最小二乘法的原理。接着介绍了为解决欠拟合问题的局部加权线性回归,以及如何通过岭回归、lasso和前向逐步回归来控制模型复杂度和降低过拟合风险。最后,分析了偏差与方差之间的平衡对模型选择的重要性。

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

1 基本概念

1.1 工作原理

做线性回归时,我们通常会使用“普通最小二乘法”,即将目标函数定为平方误差 ,对w求导,令其为零得


这是当前可以估计出的w的最优解,即回归方程的参数。

2.1 局部加权线性回归

线性回归的一个问题是可能出现欠拟合现象(测试误差高),因为它求的是最小均方误差的无偏估计。所以我们允许在估计中引入一些偏差,从而降低预测的均方误差。

我们考虑的是局部加权,给带预测点附近的每个点赋予一定的权重,然后在给予最小均方差进行回归。权重的赋予方法是使用核函数,离预测点越近的点,权重越大(程度与用户

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