本文深入探讨了线性回归的基础，包括凸函数、线性函数和极大似然估计的概念。详细介绍了线性回归模型，以及通过最小二乘法和极大似然法定义的代价函数。讨论了正规方程和梯度下降法求解代价函数，并对比了它们的优缺点。最后，提到了模型评估指标和L1、L2正则化的理解。
机器学习算法-线性回归
一. 理论基础
1.1 凸函数
某个向量空间的凸子集（区间）上的实值函数，如果在其定义域上的任意两点 ，有 f(tx + (1-t)y) <= tf(x) + (1-t)f(y)，则称其为该区间上的凸函数；
更直观的理解：
1.2 线性
线性不等于直线
线性函数的定义是：一阶（或更低阶）多项式，或零多项式。
当线性函数只有一个自变量时，y = f(x)；
但如果有多个独立自变量,表示为：
f ( x 1 , x 2 , . . . . . . ) = a + b 1 x 1 + . . . . . . . . + b k x k f(x_1,x_2,......) = a+b_1x_1+........+ b_kx_k f(x1,x2,......)=a+b1x1+........+bkxk
总结: 特征是一维的，线性模型在二维空间构成一条直线；特征是二维的，线性模型在三维空间中构成一个平面；若特征是三维的，则最终模型在四维空间中构成一个体；以此类推……
1.3 极大似然估计
极大似然估计：从样本中随机抽取n个样本，而模型的参数估计量使得抽取的这n个样本的观测值的概率最大。最大似然估计是一个统计方法，它用来求一个样本集的概率密度函数的参数。
二. 线性回归模型（目标函数）
2.1 线性回归定义
利用线性函数对一个或多个自变量 （x 或 ( x 1 , x 2 , . . . . . . . , x k x_1,x_2,.......,x_k x1,x2,.......,xk)）和因变量（y）之间的关系进行拟合的模型
2.2 线性回归模型
一般线性模型表示：
y ^ = θ 0 + θ 1 x 1 + θ 2 x 2 + . . . . . . θ n x n \hat{y} = θ_0+θ_1x_1+\theta_2x_2+......\theta_nx_n y^=θ0+θ1x1+θ2x2+......θ
最低0.47元/天 解锁文章
扫一扫
845
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
