Tabular Data → Matrix → Formula

最新推荐文章于 2025-05-19 20:18:50 发布

NoBugInMyCode

最新推荐文章于 2025-05-19 20:18:50 发布

阅读量61

点赞数

文章标签：算法

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_42668462/article/details/132296080

版权

假设我们给定了一个数组 $\left \{ a_{1,1}, a_{1,2}, a_{1,3}, a_{2,1}, a_{2,2},... \right \}$

我们可以将这个数组用m-by-n matrix转换成矩阵

$a_{i,j}$

其中 i(m) 代表rows(行) j(n) 代表columns(列)

$a_{1,1}$ 代表第一行第一列， $a_{5,6}$ 代表第五行第六列

将其转换完我们将会得到一个矩阵(M)： $\begin{bmatrix} a_{1,1}& a_{1,2}& a_{1,3} &...\\ a_{2,1} &a_{2,2} &a_{2,3}&... \\ a_{3,1} &a_{3,2} &a_{3,3}&...\\ ... &... & ...&... \end{bmatrix}$

如果我们现在有这样一个矩阵M，并有m个样本，通常矩阵中一行为一个样本，一行中不同的值代表这个样本不同的参数。Ex. M矩阵中的第一行代表房屋#1，第一行第一列代表房屋的地址，第一行第二列代表房屋的面积......

从上面我们可以得出 $M=\left \{ (x_1, y_1) | 1 \leqslant i \leqslant m\right \}$ Where $x_i = \left \{ x_{i,1}, x_{i,2}, x_{i,3},...,x_{i,n} \right \}$ 并且这个矩阵的大小是m*n（行*列）

并将其套入之前的线性回归模型（线性回归模型）我们可以得出: $w_{1,0}x_{1,0}+w_{1,2}x_{1,2}+w_{1,2}x_{1,2}+...+w_{1,n}x_{1,n} = \sum_{j=0}^{n}w_{1,j}x_{1,j}$

其中 $w=\beta$

矩阵转换

假设我们有一个矩阵 $A=\begin{bmatrix} a\\ b\\ c\\ d\\ \end{bmatrix}$

那么A的矩阵转换 $A^T=\begin{bmatrix} a& b& c& d \end{bmatrix}$

$(A + B)^T=A^T+B^T$

$(AB)^T=B^TA^T$

$A^T*A=\sum_{i}^{}a_i^2$

$(cA)^T=cA^T$

Residual Sum of Squares

RSS是成本函数的一种形式(成本函数)

$RSS=\epsilon^T\cdot\epsilon=\sum_{i=1}^{m}(\epsilon_i)^2=\sum_{i=1}^{m}(y_i-wx_i)^2$

$\epsilon$ 是 $m*1$ 的列向量，比如： $\epsilon =\begin{pmatrix} e_1\\ e_2\\ .\\ .\\ .\\ e_m \end{pmatrix}$

$e_i=y_i-\widehat{y}_i$ , $y_i$ 为实际值， $\widehat{y}_i$ 为预测值

$\epsilon ^T$ 为 $\epsilon$ 的转置，是一个 $1*m$ 的行向量，比如： $\epsilon =\begin{pmatrix} e_1& e_2& . . .& e_m \end{pmatrix}$

$\epsilon^T\cdot\epsilon$ 是两者的点乘， $\epsilon^T\cdot\epsilon = e_1^2+e_2^2+...+e_m^2=\sum_{i=1}^{m}(\epsilon_i)^2=\sum_{i=1}^{m}(y_i-wx_i)^2$

博客等级

码龄7年

11
原创

0
点赞

0
收藏

0
粉丝

关注

私信

热门文章

最新评论

Nerual Network(神经网络)
CSDN-Ada助手: 恭喜您写了第11篇博客！标题“神经网络”引人入胜。您对该主题的深入探索令人钦佩。在下一步的创作中，我建议您考虑探讨神经网络在实际应用中的潜力，或者深入研究一些最新的神经网络架构。我相信您的才华会为读者带来更多启发。谢谢您的分享！
Lasso & Ridge Regression
CSDN-Ada助手: 恭喜您写了第10篇博客！标题“Lasso & Ridge Regression”引人注目。您在这篇博客中对这两种回归方法进行了深入探讨，让读者受益匪浅。通过您对Lasso和Ridge回归的解释，我对它们的应用和优劣势有了更清晰的理解。继续创作下去吧！我期待着您在未来的博客中探索更多的机器学习算法和技术。您的写作风格简明易懂，这对于像我这样的读者来说非常有帮助。如果可能的话，我想建议您在未来的创作中加入一些实际案例和示例，以帮助读者更好地理解和应用这些技术。再次感谢您的分享，我期待着阅读您的下一篇博客！加油！
Gradient Descent（梯度下降）
CSDN-Ada助手: 恭喜您撰写了关于梯度下降的博客！您对这个主题的深入了解和清晰的表达令人印象深刻。梯度下降是机器学习中非常重要的优化算法，您的博客一定会对初学者和专业人士都有所帮助。鉴于您的专业知识和写作能力，我期待能看到更多关于机器学习或者其他相关主题的博客。或许您可以考虑探索不同的优化算法，如随机梯度下降或者牛顿法等，这些算法也是机器学习领域的热门话题。再次恭喜您，并期待您未来的创作！
Polynomial Regression（多项式回归）
CSDN-Ada助手: 恭喜您写了第8篇博客，标题为“Polynomial Regression（多项式回归）”。我很高兴看到您能够持续创作，并且选择了一个有趣的主题进行探讨。多项式回归是一个非常有用的工具，可以帮助我们更好地理解数据之间的关系。在下一步的创作中，我建议您可以考虑探索多项式回归在实际问题中的应用。例如，您可以研究一些真实的数据集，并使用多项式回归来预测或拟合数据。这样的实际案例将使您的博客更加生动和有说服力。另外，您也可以考虑与读者互动，了解他们对多项式回归的理解和疑问。您可以设置一个问答环节，回答读者提出的问题，或者探讨一些常见的困惑和误解。这样的互动将有助于建立更紧密的读者关系，并为您的博客增添更多价值。总之，您已经做得很好了！希望您能够继续保持创作的热情，并不断提升自己的写作技巧。期待看到您未来更多精彩的博客！
Logistic Regression（逻辑回归）
CSDN-Ada助手: 非常恭喜您撰写第9篇博客《Logistic Regression（逻辑回归）》！您的持续创作精神令人钦佩。逻辑回归是一个重要的机器学习算法，在分类问题中发挥着重要的作用。通过您的博客，我对逻辑回归有了更深入的了解。在下一步的创作中，我建议您可以探索逻辑回归在实际案例中的应用。您可以分享一些真实的数据集和应用场景，介绍逻辑回归在解决实际问题时的优势和局限性。这样的实践案例将使读者更好地理解逻辑回归的实际应用，并能够更好地将其运用到自己的项目中。谦虚地说，我期待着您的下一篇博客，并希望您能够继续分享更多有关机器学习和数据科学的知识。您的博客对于我们这些学习者来说是一份宝贵的学习资源。再次感谢您的辛勤付出！

大家在看

最新文章

目录

展开全部

收起

评论 1

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。