把统计看了一遍就是为了这里!
线性回归假设函数为
y=θTX
y
=
θ
T
X
之前是根据函数图像推导出损失函数为误差平方和,这次用统计学方法推导。
拟合数据,就是把误差减到最小
误差
ϵ=y−θTX
ϵ
=
y
−
θ
T
X
。
假设误差服从正态分布,误差最小也就是期望为0。
ϵ
ϵ
~N(0,
σ2
σ
2
)
最大似然估计就是使所有样本最接近参数,也就是似然函数最大。
求似然函数
L(θ)=∏i=1mp(ϵ)=∏i=1m12π√σe−ϵ22σ2
L
(
θ
)
=
∏
i
=
1
m
p
(
ϵ
)
=
∏
i
=
1
m
1
2
π
σ
e
−
ϵ
2
2
σ
2
L(θ)=12π√m1σme−∑i=1mϵ22σ2
L
(
θ
)
=
1
2
π
m
1
σ
m
e
−
∑
i
=
1
m
ϵ
2
2
σ
2
L(θ)=2π‾‾‾√−mσ−me−∑i=1m(y−θTX)22σ2
L
(
θ
)
=
2
π
−
m
σ
−
m
e
−
∑
i
=
1
m
(
y
−
θ
T
X
)
2
2
σ
2
两边取ln
lnL(θ)=−mln(2π‾‾‾√)−mln(σ)−12σ2∑i=1m(y−θTX)2
ln
L
(
θ
)
=
−
m
ln
(
2
π
)
−
m
l
n
(
σ
)
−
1
2
σ
2
∑
i
=
1
m
(
y
−
θ
T
X
)
2
要使似然函数最大,
∑i=1m(y−θTX)2
∑
i
=
1
m
(
y
−
θ
T
X
)
2
就要最小。也就是误差平法和最小。
线性回归损失函数推导-最大似然
最新推荐文章于 2024-04-09 09:05:05 发布