线性模型
基本公式
y ^ = w 0 + w 1 x 1 + ⋯ + w n x n = W T x \hat y=w_0+w_1x_1+\cdots+w_nx_n=W^Tx y^=w0+w1x1+⋯+wnxn=WTx
优点:
1.模型简单,易于建模。
2.许多复杂的非线性模型都是在线性模型的基础上添加层级结构或者高维映射而来。
3.W取值可直观地表示特征属性在预测过程中的影响程度,所以具有很好的解释性。
常用损失函数:
M S E = 1 m ∑ i = 1 m ( y i − y ^ i ) 2 = 1 m ∑ i = 1 m ( y i − W T x i ) 2 = 1 m ( Y − W T X ) 2 = 1 m ( Y − W T X ) T ( Y − W T X ) MSE=\frac{1}{m}\sum_{i=1}^m(y_i-\hat y_i)^2=\frac{1}{m}\sum_{i=1}^m(y_i-W^Tx_i)^2=\frac{1}{m}(Y-W^TX)^2=\frac{1}{m}(Y-W^TX)^T(Y-W^TX) MSE=m1∑i=1m(yi−y^i)2=m1∑i=1m(yi−WTxi)2=m1(Y−WTX)2=m1(Y−WTX)T(Y−WTX)
在极大似然的角度进行思考,一个随机变量发生的概率符合高斯分布,高斯分布的分布密度函数为 f ( x ) = 1 2 π σ e x p ( − ( x − μ ) 2 2 σ 2 ) f(x)=\frac{1}{\sqrt{2\pi}\sigma}exp(-\frac{(x-\mu)^2}{2\sigma^2}) f(x)=2πσ1exp(−2σ2(x−μ)2)公式中 x x x为实际值, μ \mu μ为预测值,将样本 i i i带入得 p ( y i ∣ x i ; W ) = 1 2 π σ e x p ( − ( y i − W T x i ) 2 2 σ 2 ) p(y_i|x_i;W)=\frac{1}{\sqrt{2\pi}\sigma}exp(-\frac{(y_i-W^Tx_i)^2}{2\sigma^2}) p(yi∣xi;W)=2πσ1exp(−2σ2(yi−WTxi)2),由于各个样本相互独立,故 p ( Y ∣ X ; W ) = ∏ i = 1 m 1 2 π σ e x p ( − ( y i − W T x i ) 2 2 σ 2 ) p(Y|X;W)=\prod_{i=1}^m\frac{1}{\sqrt{2\pi}\sigma}exp(-\frac{(y_i-W^Tx_i)^2}{2\sigma^2}) p(Y∣X;W)=∏i=1m2π