3.1 基本形式
- 预测函数 = 属性的线性组合,向量形式的公式为 f ( x ) = ω T x + b f(x)={\omega }^{T}x+b f(x)=ωTx+b
- 可以通过引入层级结构或者高维映射得到更强大的非线性模型
- 具有可解释性,因为 ω {\omega} ω 直观体现各属性的重要性
3.2 线性回归
- 属性数值化
- 若离散属性值之间存在序关系,可转化为连续值,比如高度为高、中、低可取值 { 1.0 , 0.5 , 0 } \left \{ {1.0, 0.5, 0} \right \} {1.0,0.5,0}
- 若离散属性值之间不存在序关系,有 k k k 个属性值时通常转化为 k k k 维向量,比如西瓜、南瓜、黄瓜可转化为 ( 0 , 0 , 1 ) \left ( {0,0,1} \right ) (0,0,1), ( 0 , 1 , 0 ) \left ( {0,1,0} \right ) (0,1,0), ( 1 , 0 , 0 ) \left ( {1,0,0} \right ) (1,0,0)
- 回归任务常用均方误差做性能度量,它对应几何里的欧氏距离
- 求解公式解析
- 待编辑
3.3 对数几率回归
- 通过构造单调可微函数,把分类任务的 y y y 和线性回归模型的预测值 f ( x ) f(x) f(x) 对应起来,让线性回归可用于分类任务