本博客整理自coursera,欢迎转载交流。
Features
在简单的一元线性回归模型中,我们的features一般是指一些我们现有的变量。其实,在真正的使用中更重要的可能是如何定义这些特征,我们可以用一些量的函数组合来表示特征。比如预测房价,我们可以用面积,浴室个数……表示特征,也可以用log(面积),浴室个数的平方……表示特征,那么我们的模型表示为:
yi=w0h0(xi)+w1h1(xi)+...+wDhD(xi)+εi
= ∑Dj=0wjhj(xi)+εi
这里的h就是我们的特征,所谓线性回归是指系数W是线性,但是特征h可以是非线性组合。
讲到这里我么你=就可以稍微改变一下我们的模型了(我们的原始数据是Training Data也即是X,我们需要通过Featyre extraction提取特征):
解释系数的意义
对于线性模型我们可以这样解释 w1,w2,... 的意义,以下面的模型为例,我们想要解释 w^1 的意义,我们需要把其他的系数作为常量,截取超平面,则可以了解到 w^1 的意义是两个平面交线的斜率。
注意:多项式函数不可以这么解释!
建立多元回归模型
数学描述法
我们已经得到上述模型:
yi=w0h0(xi)+w1h1(xi)+...+wDhD(xi)+εi
= <