局部加权回归

通常情况下的线性拟合不能很好地预测所有的值，因为它容易导致欠拟合（under fitting），比如数据集是

一个钟形的曲线。而多项式拟合能拟合所有数据，但是在预测新样本的时候又会变得很糟糕，因为它导致数据的

过拟合（overfitting），不符合数据真实的模型。

 

今天来讲一种非参数学习方法，叫做局部加权回归（LWR）。为什么局部加权回归叫做非参数学习方法呢？ 首

先参数学习方法是这样一种方法：在训练完成所有数据后得到一系列训练参数，然后根据训练参数来预测新样本

的值，这时不再依赖之前的训练数据了，参数值是确定的。而非参数学习方法是这样一种算法：在预测新样本值

时候每次都会重新训练数据得到新的参数值，也就是说每次预测新样本都会依赖训练数据集合，所以每次得到的

参数值是不确定的。

 

 

接下来，介绍局部加权回归的原理。

 

之前在普通的线性拟合中，我们得到了最小二乘的损失函数为

 

      

 

找到合适的参数使得上述损失函数最小即可。而在局部加权回归中，损失函数变为

 

      

 

其中的表达式如下

 

      

 

上式中参数为新预测的样本特征数据，它是一个向量，参数控制了权值变化的速率，权值有一个性质

 

     （1）如果，则。

     （2）如果，则。

 

所以，对于离预测样本数据较近的点权值较大，离预测样本数据较远的点权值较小。

 

很明显，局部加权回归在每一次预测新样本时都会重新确定参数，以达到更好的预测效果。当数据规模比较大的

时候计算量很大，学习效率很低。并且局部加权回归也不是一定就是避免underfitting。