机器学习中的参数模型(线性回归、逻辑回归、SVM、神经网络等)学习过程:
通过建模找到一个最大程度拟合数据的模型,通过确定损失函数(或效用函数,统称为目标函数),最优化目标函数来获得机器学习模型的参数。
回归分析:
利用已知的数据,(线性回归中需要找到一条直线)最大程度的拟合样本与输出标记,即产生拟合方程,从而对未知的数据进行预测。
如何判断是否选用线性模型处理问题?
使用相关系数r衡量特征与标记之间的相关性强弱,判断是否适合用直线进行拟合,r为0到1的值,越接近1,相关性越强
通过建模找到一个最大程度拟合数据的模型,通过确定损失函数(或效用函数,统称为目标函数),最优化目标函数来获得机器学习模型的参数。
利用已知的数据,(线性回归中需要找到一条直线)最大程度的拟合样本与输出标记,即产生拟合方程,从而对未知的数据进行预测。
使用相关系数r衡量特征与标记之间的相关性强弱,判断是否适合用直线进行拟合,r为0到1的值,越接近1,相关性越强