线性回归:拟合参数 θ 使得 ∑i(y(i)−θTx(i))2 最小,返回 θTx 作为预测值。
局部加权回归(Local Weighted Regression, LWR)是这样一个模型:
当你需要拟合
x
时,检查数据集,并且只考虑那些位于
因此在LWR中,我们需要拟合
∑iw(i)(y(i)−θTx(i))2
其中, w(i)=exp(−(x(i)−x)22) .
假设你有一个样本 x ,如果
因此,如果我需要确定一个点 x <script type="math/tex" id="MathJax-Element-2459">x</script>,我给近的点赋较高权值,远的点赋低权值。那么它最终比较注重和近的点拟合,而倾向于忽略远的点对模型的贡献。
缺点:每对一个点进行预测,需要重新计算新的模型。