ensemble learning - Task 2 (回归）

my319

于 2021-07-16 12:26:22 发布

阅读量140

点赞数

文章标签： python 机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/my319/article/details/118770736

版权

(1)详细阐述线性回归模型的最小二乘法（The method of least squares）表达

为了衡量真实值yi与线性回归模型的预测值 $w^Tx_i$ 之间的差距，用 $y_i- w^Tx_i$ 的平方和L(w)来描述这种差距，

$L(w) =\sum\limits_{i=1}^{N}(w^Tx_i-y_i)^2 \\ = (w^TX^T-Y^T)(w^TX^T-Y^T)^T \\ = w^TX^TXw - 2w^TX^TY+YY^T$

求使得L(w)最小时对应的参数w，即：

$\hat{w} = argmin\;L(w)\\$

求导：

最低0.47元/天解锁文章

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
ensemble learning - Task 2 (回归）

(1)详细阐述线性回归模型的最小二乘法（The method ofleast squares）表达为了衡量真实值yi与线性回归模型的预测值之间的差距，用的平方和L(w)来描述这种差距，求使得L(w)最小时对应的参数w，即：求导：（2) 线性回归中极大似然估计和最小二乘估计的区别和联系线性回归的最小二乘估计等价于噪声的极大似然估计（3）为什么多项式回归在实际问题表现不佳多项式回归若阶数过大容易在训练数据集上过拟合，在X的边界处有置信区间明显增大，预测效果...
复制链接

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

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。