一元线性回归
输入 x
输出 y
寻找一个映射,即 y = f(x)
当然一元线性回归的输入特征仅仅要求为一元变量,因此x、x的平方、x的立方等也都是符合规则的自变量。
为了方便讨论, 我们从最简单的 y = wx + b。开始。
误差
实际上,输出值和预测值之间误差肯定是不可避免的,但我们可以知道,误差ε服从均值为0,标准差为σ的高斯分布 ε~N(0,σ)
P
(
ε
)
=
1
2
π
P(\varepsilon) = \frac{1}{\sqrt{2\pi}}
P(ε)=2π1
写公式太累了,直接上传图片了。。。
首先根据高斯分布结合 y=wx+b+ε得到概率函数
根据概率函数得到似然函数,对似然函数取对数得到对数似然。这块我的感觉是寻找w,b ,来使得服从高斯分布的误差值越小。因为概率越大的地方,误差值越趋近于0。
实际上来说,最后就是求取最小化均方差。
因为是凸函数(国内说凹函数)
分别对w、b求偏导,最后解出极值点所对应的x,b。找出最小的最值点。
即为拟合效果最好的w和b。
这种方法又叫做 最小二乘法。