本文介绍了推荐系统中矩阵分解模型的关键概念，包括残差平方和的定义和作用，以及最小二乘法和交替最小二乘法的基本原理。通过理解这些统计学概念，有助于提升推荐系统的预测准确性。
这个看起来高大上的系列注解文章，到这个阶段便是最重要的部分了。有人说，人工智能就是概率论与统计学，实际上我也认为差不多，代码只是实现人工智能的工具，内部的原理是概率论的知识。
1 残差平方和
1.1 残差
所谓残差，就是实际值与估计值的差。百度百科说，如果回归模型正确的话， 我们可以将残差看作误差的观测值。
1.2 残差平方和
在平时我们求回归方程的时候，不会每一个点都在回归方程上，因为我们需要用连续的平滑曲线模拟趋势，从而将坐标上的离散点联系起来。也因此，我们将离散点看做真实值，将回归曲线上的点看做预测值，预测值与真实值的差的平方就是残差平方，再将他们加起来，最终得到的结果就是残差平方和。
用矩阵形式表示的残差平方和为：
一组数据的残差平方和越小，说明该曲线拟合程度越高</
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
