1 机器学习基础
1.2 线性模型
- 核心思想:使用线性函数来你和数据
- 局限性:
- 模型偏差:线性模型只能表示线性关系,无法捕捉数据中的非线性
- 灵活性不足:线性模型只能考虑有限个特征,无法捕捉数据中的复杂模式
分段线性模型
- 通过将特征空间划分为多个区间,并在每个区间内使用线性函数进行拟合,从而逼近非线性关系。
激活函数
- 用Hard Sigmoid 函数构建:红色的线可以看作一个常数加上一群 Hard Sigmoid 函数,转折的点越多,蓝色函数越多
- 如果是曲线,先取一些点,变成一个分段线性,点足够多且位置合适,可以逼近任何一个连续的曲线
- 用 Sigmoid 函数来逼近 Hard Sigmoid y = c 1 1 − e − ( b + w x 1 ) y = c \frac{1}{1-e^{-(b+wx_{1})}} y=c1−e−(b+wx1)1 其中横轴输入是 x 1 x_{1} x1、输出的是 y y y, c c c 为常数
- 用 ReLU 函数(修正线性单元): c ∗ m a x ( 0 , b + w x 1 ) c*max(0,b+wx_{1}) c∗max(0,b+wx1)