基本形式:
向量形式:
x = (x1;x2;...;xd), 其中xi是x在第i个属性上的取值,w = (w1;w2;...;wd), w和b学得之后,模型就得以确定。
几种经典的线性模型:
线性回归
“ 线性回归 ” ( linear regression) 试图学得一个线性模型以尽可能准确地预测实值输出标记 .
如何确定w和b?
可利用最小二乘法来对w 和 b 进行估计 .
将E(w,b)分别对w和b求导
得到 w 和 b 最优解的闭式 (closed-form) 解
多元线性回归
形式:
如何确定w和b?
可利用最小二乘法来对w 和 b 进行估计 .
令上式为零可得最优解的闭式解
当 xTx 为满秩矩阵或正定矩阵时
xTx 不是满秩矩阵
引入正则化项 ,决定选择哪一个解作为输出
对数线性回归
线性模型的预测值逼近真实标记时 , 就得到了线性回归模型 .
广义线性模型
考虑单调可微函数g(*), 令
这样得到的模型称为 “ 广义线性模型 ”.
对数几率回归
应用场景:分类任务
对数几率函数:
如何确定w和b?
将y视为类后验概率估计 p(y = 1|x)
变换得
通过“ 极大似然法 " 估计w和b
根据凸优化理论,经典的数值优化算法如梯度下降法、牛顿法等求得最优解
线性判别分析
定义:线性判别分析(简称LDA)是一种经典的线性学习方法
LDA思想:给定训练样例集 , 设法将样例投影到一条直线上 ,使得同类样例的投影点尽可能接近 、 异类样例的投影点尽可能远离 ; 在对新样本进行分类时 , 将其投影到同样的这条直线上 , 再根据投影点的位置来确定新样本的类别 , 图 3.3 给出了一个二维示意图 .(《机器学习》-周志华 第3章 线性回归模型)