linear regreesion(线性回归)
我们将用来描述回归问题的标记如下:
m m 代表训练集中实例的数量
代表特征的数量
x(i) x ( i ) 表示第 i i 个训练实例,是特征矩阵的第i行,是一个向量
表示特征矩阵中第 i i 行的第 个特征,也就是第 i i 个训练实例的第 个特征
y y 代表目标变量,也就是输出变量
代表训练集中的一个实例
(x(i),y(i)) ( x ( i ) , y ( i ) ) 代表第 i i 个观察实例
代表学习算法的函数,或者加假设(hypothesis)
对于多变量线性回归,假设函数可以设为
hθ(x)=θ0+θ1x1+θ2x2+...+θnxn h θ ( x ) = θ 0 + θ 1 x 1 + θ 2 x 2 + . . . + θ n x n
为了使公式能够简化,引入 x0=1 x 0 = 1 ,则假设函数变为
hθ(x)=θ0x0+θ1x1+θ2x2+...+θnxn h θ ( x ) = θ 0 x 0 + θ 1 x 1 + θ 2 x 2 + . . . + θ n x n
,进行向量化后,最终结果为
hθ(x)=θTX h θ ( x ) = θ T X
我们需要求出 θ θ ,使得对于每一个样本,带入到假设函数中,能得到对应的一个预测值,而我们的目标,是使求出的预测值尽可能的接近真实值
通过最大似然估计来推导目标函数
由于我们实际预测的值和真实值之间肯定会有误差,对于每个样本:
y(i)=θTx(i)+ε(i) y ( i ) = θ T x ( i ) + ε ( i )
其中,
y(i) y ( i )
为当前样本实际真实值,
θTx(i) θ T x ( i )
为预测结果,
ε(i) ε ( i )
即为预测误差
对于整个数据集来说,则:
Y=θTX+ε Y = θ T X + ε
误差 ε(i) ε ( i ) 是独立的并且具有相同的分布,并且服从均值为0,方差为 θ2 θ 2 的正态分布
由于误差服从正态分布,所以:
p(ε(i))=12π−−√σexp⟮−(ε(i))