线性回归
假设一组需要拟合的数据:(X1,Y1),(X2,Y2)…共N组数据,其中X0为3维的向量[X01,X02,X03]。现用简单的线性模型拟合该组数据,该模型如:z = z1x1 + z2x2 + z3*x3
最小二乘几种理解方式
- 从梯度下降出发,求最小损失
Loss = z(X) - Y
Min(Loss) 出发,对zi参数求导,公式如下:
- 从解空间投影出发
X这个解矩阵又可以分为N个列空间,对于所拟合的Y无法全部相等可以理解为不在X这个列空间内。强行将Y拟合到X列空间最直接的办法就是投影,即Y对X的列空间投影,记为Y投影。
M法向量Y = Y - Y投影(法向量为列空间的法向量)
多项式回归(和线性回归一样,可以直接最小二乘,也可以梯度下降)
对多维度数据拟合,线性组合无法精准的表达数据的分布,通过多项式方式增加拟合模型的复杂度。
问题:当多项式模型过于复杂,容易造成过拟合现象。
神经网络回归
神经网络的特殊性在于既可以做分类又可以做回归,通常做回归的时候,最后一层没有激活函数。