线性回归变量正则化模型的保存和加载

最新推荐文章于 2024-02-15 13:32:29 发布

SamWang_333

最新推荐文章于 2024-02-15 13:32:29 发布

阅读量212

点赞数

分类专栏： dataprepare

本文链接：https://blog.csdn.net/qq_38844711/article/details/103518595

版权

本文介绍了线性回归的基本概念，包括一元和多元线性回归，以及如何通过正规方程和梯度下降来求解模型。通过实例展示了线性回归在预测中的应用，并探讨了过拟合和欠拟合的问题，提出了正则化作为解决方案，特别是L2正则化的岭回归。最后，讨论了模型的保存和加载，以及在不同数据规模下选择不同的线性回归模型策略。

摘要由CSDN通过智能技术生成

回归问题的判定
目标值为连续性的值(小数)
期末成绩= 0.7考试成绩+0.3平时成绩
西瓜好坏 = 0.2色泽+0.5根 + 0.3敲声 z这是分类问题
找关系。找到特征和最终结果的关系程度找到权重
y =kx+b
+b 是一种偏置。是为了当特征只有一个时也能通用
多个特征： k1房子面积+k2房子面积 + b
多个特征： w1房屋面积+w2房屋面积+ 。。。+b
w表示每个特征的权重。b表示偏置项，可以理解为w0x1
什么是线性回归：
通过一个或多个自变量与因变量之间进行建模的回归分析，其中可以为一个或多个自变量之间的线性组合
一元线性回归：涉及到的自变量只有一个
多元线性回归：涉及到的自变量有多个
通用公式：h(w) = w0 +w1x1+w2x2+w3*x3+…
其中w,x为矩阵： w = [w0,w1,w2…] x = [1,x1,x2…]

import matplotlib.pyplot as plt

plt.figure(figsize=(10,10))
plt.scatter([60,72,75,80,83,87,90,93],[126,151.2,157.5,168,174.3,180,192.2,194],label = “散点图”)
plt.legend()
plt.grid() #线图
plt.xlabel(“x轴”)
plt.ylabel(“y轴”)
plt.show()

回归：知道有误差，并且不断减少误差
减少误差的方法