机器学习(3.线性模型二)

2.多元线性回归

2.1算法原理

多元线性回归考虑了样本有超过1维属性的特征,即某个样本 x i x_i xi的属性向量为 ( x i 1 ; x i 2 ; . . . ; x i d ) (x_{i1};x_{i2};...;x_{id}) (xi1;xi2;...;xid)

多元线性模型试图学得一个通过属性的线性组合来进行预测的函数: f ( x ) = w 1 x 1 + w 2 x 2 + . . . + w d x d + b = w T x + b f(\boldsymbol{x})=w_1x_1+w_2x_2+...+w_dx_d+b=\boldsymbol{w^{T}x}+b f(x)=w1x1+w2x2+...+wdxd+b=wTx+b

简化处理:

  • w w w b b b吸收入向量形式 w ^ = ( w , b ) \hat{\boldsymbol{w}}=(\boldsymbol{w},b) w^=(w,b)
  • 相应的,把数据集 D \mathbb{D} D表示为一个$m\times d+1 大 小 的 矩 阵 大小的矩阵 \boldsymbol{X}$,其中每行对应于一个示例,该行前d个元素对应于示例的d个属性值,最后一个元素恒置为1,即:

在这里插入图片描述

  • 标签也写成向量形式: y = ( y 1 ; y 2 ; . . . ; y m ) \boldsymbol{y}=(y_1;y_2;...;y_m) y=(y1;y2;...;ym)
    故,转化为 y = f ( x ^ i ) = w ^ x ^ i \mathbf y=f(\mathbf {\hat x_i})=\mathbf {\hat w}\mathbf {\hat x_i} y=f(x^i)=w^x^i
2.2策略(构建loss function )

最小二乘法

在这里插入图片描述

将其进行向量化,则求解参数的loss function为:

向量化 E w ^ E_{\hat{\boldsymbol{w}}} Ew^

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

w ^ ∗ = a r g m i n w ^ ( E w ^ ) = a r g m i n w ^ ( y − X w ^ ) T ( y − X w ^ ) \bold {\hat w^*}=\mathop{argmin}\limits_\bold {\hat w}(E_\bold {\hat w})=\mathop{argmin} \limits_\bold {\hat w}(\bold y-\bold X\bold {\hat w})^T(\bold y-\bold X\bold {\hat w}) w^=w^argmin(Ew^)=w^argmin(yXw^)T(yXw^)

2.3求解参数

a.简要说明

在这里插入图片描述

b.详细推导

在这里插入图片描述

1.证明 E w ^ E_{\hat{\boldsymbol{w}}} Ew^为凸函数

在这里插入图片描述

矩阵微分证明可参考:

矩阵微分向量公式推导

2.凸函数求最值

同样利用求导的方法求解最值。

在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
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