深度学习——线性回归及pytorch代码实现

最新推荐文章于 2023-07-14 21:20:17 发布

vinkuan

最新推荐文章于 2023-07-14 21:20:17 发布

阅读量290

点赞数

分类专栏： pytorch 文章标签：深度学习 pytorch

本文链接：https://blog.csdn.net/vinkuan/article/details/117996319

版权

线性回归输出是一个连续值，因此适用于回归问题。分类问题中模型的最终输出是一个离散值。softmax回归则适用于分类问题。线性回归和softmax回归都是单层神经网络。

线性回归的基本要素

模型定义 $\hat{y} = x_1 w_1 + x_2 w_2 + b$ ，其中其中 $w_1$ $和 $w_2$ 是权重（weight）， $b$ 是偏差（bias）,且均为标量，都是模型的参数。模型输出 $\hat{y}$ 是线性回归对真实价格 $y$ 的预测或估计。我们通常允许它们之间有一定误差。

模型训练：需要通过数据来寻找特定的模型参数值，使模型在数据上的误差尽可能小。这个过程叫作模型训练（model training）

训练数据：假设我们采集的样本数为 $n$ ，索引为 $i$ 的样本的特征为 $x_1^{(i)}$ 和 $x_2^{(i)}$ ，标签为 $y^{(i)}$ 。对于索引为 $i$ 的样本，线性回归模型表达式为 $\hat{y}^{(i)} = x_1^{(i)} w_1 + x_2^{(i)} w_2 + b$
损失函数：在模型训练中，我们需要衡量价格预测值与真实值之间的误差。通常我们会选取一个非负数作为误差，且数值越小表示误差越小。一个常用的选择是平方函数。
它在评估索引为 $i$ 的样本误差的表达式为

$\ell^{(i)}(w_1, w_2, b) = \frac{1}{2} \left(\hat{y}^{(i)} - y^{(i)}\right)^2$ ，通常，我们用训练数据集中所有样本误差的平均来衡量模型预测的质量，即

最低0.47元/天解锁文章

vinkuan

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
深度学习——线性回归及pytorch代码实现

线性回归输出是一个连续值，因此适用于回归问题。分类问题中模型的最终输出是一个离散值。softmax回归则适用于分类问题。线性回归和softmax回归都是单层神经网络。线性回归的基本要素模型定义，其中其中 $和是权重（weight），是偏差（bias）,且均为标量，都是模型的参数。模型输出是线性回归对真实价格的预测或估计。我们通常允许它们之间有一定误差。模型训练：需要通过数据来寻找特定的模型参数值，使模型在数据上的误差尽可能小。这个过程叫作模型训练（model training）训练数据：
复制链接

扫一扫