本文介绍了回归的基本概念，包括线性回归、非线性回归、岭回归、套索回归以及逻辑回归。重点阐述了线性回归在解决过拟合问题上的正则化方法，并探讨了逻辑回归在分类中的应用。最后，提到了深度学习中回归在目标检测和图像超分辨率等任务中的应用。
一，回归的直观理解，如图所示，X1,X2就是我们的两个特征（年龄，工资）Y是银行最终会借给我们多少钱。找到最合适的一个平面（因为是X1，X2两个变量，所以是一个平面，如果只有一个变量就是一条线，如果是大于2的变量，就是一个超平面）来最好的拟合我们的数据点。
拟合的平面的表达式：
化简为：
其中，θ是需要核定的系数
对于每个样本
y是目标值，ε表示误差，且服从高斯分布，那么只要通过优化使得所有的样本的预测误差总和最小，就达到了优化的目的。预测时，将x1，x2乘以相应的θ系数就可以得到预测值了。
回归的目的是预测数值型的目标值，如预测商品价格、未来几天的PM2.5等。最直接的办法是依据输入写出一个目标值的计算公式，该公式就是所谓的回归方程（regressionequati
最低0.47元/天 解锁文章
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
