1、线性回归、logistic回归和一般回归
线性回归函数(如果)
损失函数(loss function)或者错误函数(error function)
- 梯度下降法
- 梯度下降法最大的问题是解有可能是局部极小值,这与初始点的选取有关
- 步骤
- 首先对
赋值,这个值可以是随机的,也可以让
是一个全零的向量
- 改变
的值,使得
沿梯度下降的的方向减少
- 由于求得的是极小值,因此取偏导数的反方向
- 首先对
- 迭代更新的方式有两种
- 批梯度下降
- 增量梯度下降
- 迭代更新的方式有两种
- 一般来说,梯度下降法收敛速度还是比较慢的
- 最小二乘法
- 此方法要求
是列满秩的,而且求矩阵的逆比较慢
- 此方法要求
- 带权重的线性回归
- 这个公式与高斯分布类似,但不一样,因为
不是随机变量
- 这个公式与高斯分布类似,但不一样,因为
2、判别模型、生成模型和朴素贝叶斯方法
有时称判别模型求的是条件概率,生成模型求的是联合概率。
常见的判别模型有线性回归、逻辑回归、线性判别分析、支持向量机、boosting、条件随机场、神经网络等。
常见的生成模型有隐马尔科夫模型、朴素贝叶斯模型、高斯混合模型、LDA、Restricted Boltzmann Machine等。