线性模型

欢迎访问我的博客首页。

---

1. 基本形式

---

  用 $x=(x_1;x_2;...;x_d)$ 表示研究对象的 $d$ 个属性，其中 $x_i$ 是 $x$ 在第 $i$ 个属性上的取值。线性模型通过学习得到预测函数

$$f(x)=w_1{x}_1+w_2{x}_2+...+w_d{x}_d+b,\text{\hspace{1em}(3.1)}$$

一般用向量形式写成

$$f(x)=w^{T}x+b,\text{\hspace{1em}(3.2)}$$

其中 $w=(w_1;w_2;...;w_d)$。$w$ 和 $b$ 就是要学习的参数。

  线性模型的学习过程是一个函数拟合过程，但它也可以用来分类，下面是详细内容。

2. 线性回归

---

  线性回归可以理解为拟合函数。比如公式 3.1 中 $d=1$ 时，$f(x)$ 就是二维空间中的一元一次函数，只需要两个点就可以求出 $w1$ 和 $b$。