欢迎使用优快云-markdown编辑器 YFX

本文总结了两种常用的机器学习算法:逻辑回归与奇异值分解。逻辑回归部分详细介绍了似然函数及其最大似然估计过程;奇异值分解部分则阐述了其基本原理与矩阵表示。

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

YFX ML Algorithm Summary

01 Logistic Regression

1,logistic function or sigmoid function
s ( t ) = 1 1 + e − t s(t)=\dfrac{1}{1+e^{-t}} s(t)=1+et1
P r ( y i = 1 ∣ x i ) = s ( x i β ) Pr(y_i=1|x_i)=s(x_i\beta) Pr(yi=1xi)=s(xiβ)
P r ( y i = 0 ∣ x i ) = 1 − s ( x i β ) Pr(y_i=0|x_i)=1-s(x_i\beta) Pr(yi=0xi)=1s(xiβ)

likelihood function:
L ( β ; y i , x i ) = [ s ( x i β ) ] y i [ 1 − s ( x i β ) ] 1 − y i L(\beta;y_i,x_i)=[s(x_i\beta)]^{y_i}[1-s(x_i\beta)]^{1-y_i} L(β;yi,xi)=[s(xiβ)]yi[1s(xiβ)]1yi

L ( β ; Y , X ) = Π i = 1 N [ s ( x i β ) ] y i [ 1 − s ( x i β ) ] 1 − y i L(\beta;Y,X)=\Pi_{i=1}^N[s(x_i\beta)]^{y_i}[1-s(x_i\beta)]^{1-y_i} L(β;Y,X)=Πi=1N[s(xiβ)]yi[1s(xiβ)]1yi

log-likelihood function:
l ( β ; Y , X ) = Σ i = 1 N [ − l n ( 1 + e x i β ) + y i x i β ] l(\beta;Y,X)=\Sigma_{i=1}^N[-ln(1+e^{x_i\beta})+y_ix_i\beta] l(β;Y,X)=Σi=1N[ln(1+exiβ)+yixiβ]

MLE:
β ^ = arg ⁡ max ⁡ β l ( β ; Y , X ) \hat{\beta}=\mathop{\arg\max}_{\beta}l(\beta;Y,X) β^=argmaxβl(β;Y,X)
∂ l ∂ β = ∂ { Σ i = 1 N [ − l n ( 1 + e x i β ) + y i x i β ] } ∂ β = Σ i = 1 N [ − x i e x i β 1 + e x i β + y i x i ] = Σ i = 1 N [ y i − s ( x i β ) ] x i = 0 \frac{\partial l}{\partial \beta}=\frac{\partial \{\Sigma_{i=1}^N[-ln(1+e^{x_i\beta})+y_ix_i\beta]\}}{\partial \beta}=\Sigma_{i=1}^N[-\frac{x_ie^{x_i\beta}}{1+e^{x_i\beta}}+y_ix_i]=\Sigma_{i=1}^N[y_i-s(x_i\beta)]x_i=0 βl=β{Σi=1N[ln(1+exiβ)+yixiβ]}=Σi=1N[1+exiβxiexiβ+yixi]=Σi=1N[yis(xiβ)]xi=0

that is
Σ i = 1 N [ y i − s ( x i β ) ] x i = 0 \Sigma_{i=1}^N[y_i-s(x_i\beta)]x_i=0 Σi=1N[yis(xiβ)]xi=0

since there is no analytical solution, hence using numerical method to solve this problem, e.g. Newton-Raphson-Method,
β ^ t = β ^ t − 1 + δ [ ∂ 2 l ( β ^ t − 1 ; Y , X ) ∂ β ∂ β T ] ⎵ H e s s i a n − 1 ∂ l ( β ^ t − 1 ; Y , X ) ∂ β ⎵ S c o r e \hat{\beta}_t=\hat{\beta}_{t-1}+\delta{\underbrace{[\frac{\partial^2 l(\hat{\beta}_{t-1};Y,X)}{\partial \beta \partial \beta^T}]}_{Hessian}}^{-1}\underbrace{\frac{\partial l(\hat{\beta}_{t-1};Y,X)}{\partial \beta}}_{Score} β^t=β^t1+δHessian [ββT2l(β^t1;Y,X)]1Score βl(β^t1;Y,X)

02 SVD Decompostion

1, A m × n = U Σ V ⊤ A_{m\times n}=U\Sigma V^\top Am×n=UΣV, U m × m , Σ m × n , V n × n U_{m\times m}, \Sigma_{m\times n}, V_{n\times n} Um×m,Σm×n,Vn×n
2, Σ \Sigma Σ‘s对角线上的值diagnal value is called sigular value奇异值
3, U T U = I , V T V = I U^TU=I, V^TV=I UTU=I,VTV=I
4, ( A T A ) n × n (A^TA)_{n\times n} (ATA)n×n's eigenvectors composes V n × n V_{n\times n} Vn×n

欢迎使用Markdown编辑器写博客

本Markdown编辑器使用StackEdit修改而来,用它写博客,将会带来全新的体验哦:

  • Markdown和扩展Markdown简洁的语法
  • 代码块高亮
  • 图片链接和图片上传
  • LaTex数学公式
  • UML序列图和流程图
  • 离线写博客
  • 导入导出Markdown文件
  • 丰富的快捷键

快捷键

  • 加粗 Ctrl + B
  • 斜体 Ctrl + I
  • 引用 Ctrl + Q
  • 插入链接 Ctrl + L
  • 插入代码 Ctrl + K
  • 插入图片 Ctrl + G
  • 提升标题 Ctrl + H
  • 有序列表 Ctrl + O
  • 无序列表 Ctrl + U
  • 横线 Ctrl + R
  • 撤销 Ctrl + Z
  • 重做 Ctrl + Y

Markdown及扩展

Markdown 是一种轻量级标记语言,它允许人们使用易读易写的纯文本格式编写文档,然后转换成格式丰富的HTML页面。 —— [ 维基百科 ]

使用简单的符号标识不同的标题,将某些文字标记为粗体或者斜体,创建一个链接等,详细语法参考帮助?。

本编辑器支持 Markdown Extra ,  扩展了很多好用的功能。具体请参考Github.

表格

Markdown Extra 表格语法:

项目价格
Computer$1600
Phone$12
Pipe$1

可以使用冒号来定义对齐方式:

项目价格数量
Computer1600 元5
Phone12 元12
Pipe1 元234

###定义列表

Markdown Extra 定义列表语法:
项目1
项目2
: 定义 A
: 定义 B

项目3

定义 C

定义 D

定义D内容

代码块

代码块语法遵循标准markdown代码,例如:

@requires_authorization
def somefunc(param1='', param2=0):
    '''A docstring'''
    if param1 > param2: # interesting
        print 'Greater'
    return (param2 - param1 + 1) or None
class SomeClass:
    pass
>>> message = '''interpreter
... prompt'''

###脚注
生成一个脚注1.

目录

[TOC]来生成目录:

数学公式

使用MathJax渲染LaTex 数学公式,详见math.stackexchange.com.

  • 行内公式,数学公式为: Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n1)!nN
  • 块级公式:

x = − b ± b 2 − 4 a c 2 a x = \dfrac{-b \pm \sqrt{b^2 - 4ac}}{2a} x=2ab±b24ac

更多LaTex语法请参考 这儿.

对于 (1.2) a 2 + b 2 = c 2 a^2+b^2=c^2 \tag {1.2} a2+b2=c2(1.2)由公式 ( 1.2 ) (1.2) (1.2)即可得到结论。

UML 图:

可以渲染序列图:

张三 李四 嘿,小四儿, 写博客了没? 李四愣了一下,说 忙得吐血,哪有时间写。 张三 李四

或者流程图:

Created with Raphaël 2.2.0 开始 我的操作 确认? 结束 yes no
  • 关于 序列图 语法,参考 这儿,
  • 关于 流程图 语法,参考 这儿.

离线写博客

即使用户在没有网络的情况下,也可以通过本编辑器离线写博客(直接在曾经使用过的浏览器中输入write.blog.youkuaiyun.com/mdeditor即可。Markdown编辑器使用浏览器离线存储将内容保存在本地。

用户写博客的过程中,内容实时保存在浏览器缓存中,在用户关闭浏览器或者其它异常情况下,内容不会丢失。用户再次打开浏览器时,会显示上次用户正在编辑的没有发表的内容。

博客发表后,本地缓存将被删除。

用户可以选择 把正在写的博客保存到服务器草稿箱,即使换浏览器或者清除缓存,内容也不会丢失。

**注意:**虽然浏览器存储大部分时候都比较可靠,但为了您的数据安全,在联网后,请务必及时发表或者保存到服务器草稿箱

##浏览器兼容

  1. 目前,本编辑器对Chrome浏览器支持最为完整。建议大家使用较新版本的Chrome。
  2. IE9以下不支持
  3. IE9,10,11存在以下问题
    1. 不支持离线功能
    2. IE9不支持文件导入导出
    3. IE10不支持拖拽文件导入


  1. 这里是 脚注内容. ↩︎

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