Square Error Function
在线性回归中,如何选择参数以达到最好的效果呢?或者说我们如果定义最好呢?基本想法是让拟合的直线尽量靠近已知的数据点。
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/4a55a6909d8118127c48ec6c14c7e128.png)
具体一点就是:
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/5a346c6e507cd9e637918a275833ac50.png)
这里cost function就是,如图
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/5de0198d957c796a92d8d5aecab8cba4.png)
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/1852b2a4d06613283fe93f50eb7ee706.png)
这里其实是Square Error Function, 在回归问题中很普遍,其他问题中还会出现其他代价函数。
这里我们发现代价函数其实关于参数的一个函数,如图:
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/8a6358300122ab645f9870f82279f37e.png)
在线性回归中,如何选择参数以达到最好的效果呢?或者说我们如果定义最好呢?基本想法是让拟合的直线尽量靠近已知的数据点。
具体一点就是:
这里cost function就是,如图
这里其实是Square Error Function, 在回归问题中很普遍,其他问题中还会出现其他代价函数。
这里我们发现代价函数其实关于参数的一个函数,如图: