线性回归

最新推荐文章于 2024-08-09 15:23:55 发布

洪士

最新推荐文章于 2024-08-09 15:23:55 发布

阅读量248

点赞数

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.csdn.net/QiuH_CSDN/article/details/105316651

版权

一、回归

二、线性回归

1、一元线性回归

y=wx+b ，其中x是自变量，y是因变量，w是斜率，b是截距。

将上面的式子写成矩阵形式，如下所示：

$y=X^{T}w$ , 令 $x^{_{0}}=1$

其中， $X=\left [ _{x_{1}}^{x_{0}} \right ]$ ， $w=\left [ _{w}^{b} \right ]$

2、多元线性回归

多元线性方程为：

$y=w_{0}+w^{_{1}}x_{1}+w^{_{2}}x_{2}+...+w^{_{n}}x_{n}$

将其写成矩阵的形式为：

$y=X^{T}w$ , 令 $x^{_{0}}=1$

其中， $X^{T}=\begin{bmatrix} x_{0}^{1}& x_{1}^{1}& ...& x_{n}^{1}\\ x_{0}^{2}& x_{1}^{2}& ...& x_{n}^{2}\\ ...& ...& ...& ... \\ x_{0}^{n}& x_{1}^{n}& ...& x_{3}^{n} \end{bmatrix}$ ， $w=\begin{bmatrix} w_{0}\\ w_{1}\\ ...\\ w_{n} \end{bmatrix}$

3、线性回归的损失函数

损失函数是一个衡量真实值和预测值之间的差距的函数，此处使用平方和误差（残差平方和损失函数）损失函数，残差平方和损失函数如下所示：

$SSE=\sum_{i=1}^{m}\left (y_{i} - \widehat{y_{i}} \right )^{2} =\sum_{i=1}^{m}\left (y_{i} - x_{i}^{T}\right )^{2}$

三、局部加强线性回归

四、岭回归

五、lasso回归

六、向前回归

二、计算流程分析

三、测试测试

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

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。