【机器学习实战-python3】缩减系数来“理解”数据

本文探讨了在特征数大于样本点时,如何利用岭回归解决线性回归的问题。岭回归通过引入λ来避免逆矩阵计算中的奇异问题。接着介绍了前向逐步回归,这是一种贪心算法,用于寻找重要特征并减少不必要数据收集。文章还讨论了模型的偏差与方差之间的权衡,并在乐高玩具价格预测案例中应用这些概念。
摘要由CSDN通过智能技术生成

遇到数据特征比样本点还多的情况,不再能使用线性回归的方法,因为计算逆矩阵的时候会出错。
引入岭回归来解决特征数大于样本点个数的情况
一、岭回归
岭回归就是在矩阵 XTX 中加入 λI 来使矩阵非奇异,今儿能够计算其逆矩阵。矩阵I是一个m维的单位矩阵,对角线元素全为1, λ 是用户定义的一个数值,因此回归系数计算公式为:

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值