线性回归——最小二乘法的不同理解

本文探讨了机器学习中最小二乘法的应用,从几何角度解释了为何寻找参数使误差平方和最小,以及如何从概率视角(频率学派)理解,结合高斯噪声和最大似然。文章还提及了贝叶斯学派的不同处理方式。
摘要由CSDN通过智能技术生成

1. 写在前面

最近在上机器学习中的数学这门课。虽然前面的矩阵部分与我大学四年学习的线性代数部分有较大重合部分,但是这门课让我更好认识到向量和矩阵的实际应用情况,解决了很多为什么的问题,而不是为了刷题。在这里,我更了解到了最小二乘法在线性回归中的由来,与此同时结合我之前了解到的高斯噪声和最大似然,我发现了很有意思的一点。

2. 几何视角

假设有(x_1,y_1), (x_2,y_2), (x_3,y_3)......(x_n,y_n), 如果我们要线性拟合这些点,那么我们用最小二乘法可以有argmin\sum_{i=1}^{n}(\beta_0+\beta_1x_1+...+\beta_nx_n-y_i)^2,我们需要找到一组参数使得该式达到最小。我们不妨把该式写成这样的形式:

(AX-y)^T(AX-y)

注意上式,A是输入矩阵而X是参数\beta_i组成的列向量,y是输出组成的列向量。因此我们需要找到X,使上式达到最小,求解如下:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值