局部加权线性回归（LWLR）

最新推荐文章于 2020-06-24 16:23:52 发布

麓山coder

最新推荐文章于 2020-06-24 16:23:52 发布

阅读量4.3k

点赞数

分类专栏：机器学习

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/tercel_w/article/details/62883704

版权

局部加权线性回归（LWLR）是一种解决线性回归欠拟合和多项式回归过拟合问题的方法。模型中权重根据预测点与样本点的距离动态调整，损失函数通过距离权重实现局部拟合。算法包括梯度下降和解析法，每次预测时会重新计算参数。虽然LWLR是非参数算法，每次预测需要所有训练数据，但其在某些情况下可能仍会出现欠拟合问题，并且在大数据集上计算效率较低。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

局部加权线性回归（LWLR）

对于线性回归算法，容易出现欠拟合，而多项式回归又容易出现过拟合。因此出现了局部加权回归

模型

y (i) = θ T \cdot x (i)

$y^{(i)}=\theta^T \cdot x^{(i)}$

和线性回归的模型相同，但是对于每一个预测点， $\theta$ 都需要重新计算，并不是固定不变的。

损失函数

L (θ) = 1 2 M \sum i = 1 m w i (y i - θ T x i) 2

$L(\theta)= \frac 1 {2M} \sum_{i=1}^m w_i (y_i - \theta^T x_i)^2$

最低0.47元/天解锁文章

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。