1. 线性模型
简单粗暴,直接上模型:
Y=β0+β1X+ϵ
这是对“世界上所有数据“的假想模型,即我们 假设“世界上所有数据“是从这个模型中产生的。虽然我们也不清楚这个假设对不对,但是就是这样假设了,看看结果好不好再决定对不对。
但是我们得不到“世界上所有的数据“,我们只有“训练数据集“,所以我们可以得到的模型是这样的:
Ŷ =β̂ 0+β̂ 1X+ϵ
“hat“表示这个变量是estimated的,不是real的,也就是说我们对上面的“假设“在进行了一次假设。效果好不好得看结果才知道,这里就这么粗暴地假设了。
2. 损失函数
模型中未知的是 β̂ ,将通过损失函数来得道。直接上损失函数,来评估这个estimated的模型的好坏,从而得到好的 β̂ 。
定义“残差“ (residual): ei=yi−yi^
定义“残差和“ (Residual Sum of Squares): RSS=e21+e22+...+e2n
我们的目的,让“残差和“最小。于是通过“求导等于0“来求解极小值点。因为只有 β̂ ,所以“求导等于0“可以把相应的 β̂ 求解出来。
3. 参数“好坏“评估
下面用“统计学“中的方法来评估一下这个模型,看看参数对不对,好不好。
3.1 Standard Error
β0 和 β1 的 Standard Error 定义如下:
SE(β̂ 1)2=V