- 博客(5)
- 收藏
- 关注
RSS订阅原创 多项式回归
1.多项式回归简介 2.scikit-learn中的多项式回归于pipeline 3.过拟合与前拟合 4.学习曲线 5.验证数据集与交叉验证 6.偏差方差均衡 7.模型正则化 8.LASSO 9.L1,L2和弹性网络 1.多项式回归简介考虑下面的数据，虽然我们可以使用线性回归来拟合这些数据，但是这些数据更像是一条二次曲线,相应的方程是y=ax2+bx+c,这是式子虽然可...
2018-10-31 12:24:45
27477
原创 梯度下降法（Gradient descent）
1. 梯度下降法简介1-1 以下是定义了一个损失函数以后，参数theta对应的损失函数J的值对应的示例图，我们需要找到使得损失函数值J取得最小值对应的theta（这里是二维平面，也就是我们的参数只有一个）在直线方程中，导数代表斜率在曲线方程中，导数代表切线斜率导数代表theta单位变化时，J相应的变化 1-2 1-3 η太小，会减慢收敛学习速...
2018-10-17 13:45:12
1789
1
原创 衡量线性回归算法的指标——MSE,RMSE,MAE，R_Squared
衡量标准其中衡量标准是和m有关的，因为越多的数据量产生的误差和可能会更大，但是毫无疑问越多的数据量训练出来的模型更好，为此需要一个取消误差的方法，如下MSE 的缺点，量纲不准确，如果y的单位是万元，平方后就变成了万元的平方，这可能会给我们带来一些麻烦def mean_squared_error(y_true,y_predict): """计算y_true和y...
2018-10-10 19:43:28
5144
原创 最小二乘法
最小二乘法则是一种统计学习优化技术，它的目标是最小化误差平方之和来作为目标，从而找到最优模型，这个模型可以拟合（fit）观察数据。 回归学习最常用的损失函数是平方损失函数，在此情况下，回归问题可以用著名的最小二乘法来解决。最小二乘法就是曲线拟合的一种解决方法。 最小二乘法的问题分为两类：线性最小二乘法 非线性最小二乘法如果是线性的则有闭式解(closed-form solution)...
2018-10-09 18:18:52
292
原创 简单线性回归
1.线性回归算法简介线性回归算法以一个坐标系里一个维度为结果，其他维度为特征（如二维平面坐标系中横轴为特征，纵轴为结果），无数的训练集放在坐标系中，发现他们是围绕着一条执行分布。线性回归算法的期望，就是寻找一条直线，最大程度的“拟合”样本特征和样本输出标记的关系样本特征只有一个的线性回归问题，为简单线性回归，如房屋价格-房屋面积将横坐标作为x轴，纵坐标作为y轴，每一个点为（X(...
2018-10-09 18:17:32
3117
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人