本文深入探讨了线性回归模型的解释性，包括模型介绍、权重解释、R2指标、特征重要性和稀疏线性模型如Lasso回归。线性回归因其简单线性关系而具有良好的解释性，但可能受限于非线性和特征交互的解释。
可解释的机器学习（二）：可解释的模型-线性回归
线性回归介绍
线性回归模型将目标预测为特征输入的加权和，而所学习关系的线性使解释变得容易。
线性模型中针对第i个实例：
y = β + β 1 x 1 + … + β p x p + ϵ y = \beta + \beta_1x_1 + \ldots + \beta_px_p + \epsilon y=β+β1x1+…+βpxp+ϵ
通常使用最小二乘法来找到使真实结果和预测结果之间平方差最小化的权重：
β ^ = a r g min β 0 , … , β p ∑ i = 1 n ( y ( i ) − ( β 0 + ∑ j = 1 p β j x j ( i ) ) ) 2 \hat \beta = arg\,\min_{\beta_0,\ldots,\beta_p}\sum_{i=1}^n(y^{(i)} -(\beta_0 + \sum_{j=1}^p\beta_jx_j^{(i)}))^2 β^=argβ0,…,βpmini=1∑n(y(i)−(β0+j=1∑
最低0.47元/天 解锁文章
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
