机器学习实战笔记(二)

Vanguard-xf

于 2017-05-11 18:28:20 发布

阅读量256

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习-数据挖掘文章标签：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/xfzero/article/details/71663125

机器学习-数据挖掘专栏收录该内容

9 篇文章

订阅专栏

本文深入探讨了机器学习中的回归技术，包括局部加权线性回归、岭回归和lasso回归等方法。通过数学推导解释了这些技术如何工作，并讨论了如何通过调整参数来避免过拟合和欠拟合问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器学习实战笔记(二)

标签（空格分隔）：机器学习

局部加权线性回归

平方误差 $∑i=1m(yi−xiTw)2\sum_{i=1}^m (y_i - x_i^T w)^2$ $y-Xw)^T(y-Xw)$ 求导令其为０得到如下

$ω^=(XTX)−1XTy\hat{\omega } = (X^TX)^{-1} X^Ty$
k小的时候只用到很小的数据
$ω^=(XTＷX)−1XTＷy\hat{\omega } = (X^TＷX)^{-1} X^TＷy$
在局部加权线性回归中,较小的核容易得到较低的误差,但是最小的核容易过拟合

缩减系数来理解数据

首先如果数据特征多于样本点怎么办? $求解(X^TX)^{-1}$ 会出现问题
统计学家引入岭回归,以及lasso法

岭回归

其实就是在 $XTX上面加上一个λI从而让矩阵非奇异X^TX上面加上一个\lambda I从而让矩阵非奇异$
在增加如下条件下,普通最小二乘法可以得到和岭回归一样的公式
$∑k=1nωk2≤λ\sum _{k=1}^n \omega _k ^2 \leq \lambda$

lasso回归

$∑k=1n∣ωk∣≤λ\sum _{k=1}^n | \omega _k | \leq \lambda$

诊断偏差和方差

训练集误差和交叉验证集误差近似时:偏差/欠拟合
交叉验证集误差远大于训练集误差时:方差/过拟合

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。