多项式回归的matlab实现

最新推荐文章于 2024-07-12 10:29:32 发布

荒草浸风

最新推荐文章于 2024-07-12 10:29:32 发布

阅读量8.8k

点赞数

分类专栏：机器学习文章标签：多项式回归 matlab实现

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/qq_32478489/article/details/82495446

版权

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

一次函数的线性回归

首先我们回顾一下当回归函数为一次函数的情况

存在训练样本矩阵 X ，该矩阵大小为m*n ，其中m为样本数量，n为特征数量

此时回归方程为

$h_{\theta }\left ( x \right )=\theta _{0}+\theta_{1}x_{1}+..+\theta_{n}x_{n}=X\theta$

其中 $\theta$ 为系数向量

此时代价函数为

$J(\theta)=\frac{1}{2}(X\theta -Y)^{T}(X\theta -Y)$

当代价函数取得最小值时， $\theta$ 为最优解

对 $J(\theta)$ 进行求导得到

$\frac{\partial }{\partial \theta }J(\theta)=X^{T}(X\theta-Y)$

批量梯度下降法

$\theta = \theta-\alpha\frac{\partial }{\partial \theta }J(\theta)$

其中 $\alpha$ 为步长系数， $\alpha\frac{\partial }{\partial \theta }J(\theta)$ 为步长，不断迭代上式，当步长变化小于某个值时，认为得到代价函数的局部最小值。

数学上，梯度方向是函数值下降最为剧烈的方向。那么，沿着 J(θ) 的梯度方向走，我们就能接近其最小值，或者极小值，从而接近更高的预测精度。

多项式的线性回归

此时回归方程为

$h_{\theta }\left ( x \right )=\theta _{0}+\theta_{1}x_{1}+..+\theta_{n}x_{n} +\theta_{11}x_{11}^{2}+\theta_{12}x_{12}^{2}+..+\theta_{1n}x_{1n}^{2}+...$

代价函数

$J(\theta)=\frac{1}{2}\sum (h_{\theta}(x_{i})-y_{i})^2$

此时我们可以通过遍历矩阵来计算该代价函数的导数，但是会感觉到编程复杂

那么可以像一次函数一样去用矩阵表示代价函数吗？

是可以的，我们只需要将 x^n 视作一个整体就可以了

在一次回归中，样本矩阵 X为 [1,X] 其中 1 表示该列都为1

在多项式回归中，我们可以将 X 扩展为 [1,X,X^2,X^3,...,X^n]

此时我们回到了一次回归的矩阵运算中

具体程序可参考

https://download.csdn.net/download/qq_32478489/10651951

关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

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。