【机器学习算法篇】一、线性回归

最新推荐文章于 2022-10-11 19:18:34 发布

ml_nick

最新推荐文章于 2022-10-11 19:18:34 发布

阅读量308

点赞数 1

分类专栏：机器学习算法篇

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/songyu8713162/article/details/87634531

版权

机器学习算法篇专栏收录该内容

5 篇文章 0 订阅

订阅专栏

预测函数： $h{_{\theta }}(x)=\theta _{0}+\theta _{1}x_{1}+\theta _{2}x_{2}+...+\theta _{n}x_{n}$

$h_{\theta }(x)={\sum_{i=0}^{n}}\theta _{i}x_{i}=\theta ^{T}x$

损失函数： $J(\theta )=1/2{\sum_{i=1}^{m}}(h_{\theta }(x^{(i)})-y^{(i)})^{2}$

参数： $\theta =(X^{T}X)^{-1}X^{T}y$ （正规方程）

以上即为参数 $\theta$ 最优解的闭式解，但我们可以发现 $\theta$ *的计算涉及矩阵的求逆，这样的话就有一些限制了，只有在X^T*X为满秩矩阵或者正定矩阵时，才可以使用以上式子计算。但在现实任务中，X^T*X往往不是满秩矩阵，这样的话就会导致有多个解，并且这多个解都能使均方误差最小化，但并不是所有的解都适合于做预测任务，因为某些解可能会产生过拟合的问题。

什么时候选择正规方程

梯度下降特点:

选择合适的学习速率α
通过不断的迭代，找到θ0 ... θn, 使得J(θ)值最小
正规方程特点:

不需要选择学习速率α，不需要n轮迭代
只需要一个公式计算即可
但是并不是所有的线性回归都适合用正规方程，我们知道求解一个矩阵的逆复杂度为O(n^3)，因此当特征维度n非常大的时候(X^T * X)^-1需要O(n^3)时间，此时选择正规方程效率将会特别低

当n < 1000时候选择正规方程比较合适，但是当n > 1000的时候使用梯度下降算法会是更佳的方案

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

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。