week 6: kernel regression

　华盛顿大学 machine learning regression 第六周笔记。

　

　　普通的回归方法是基于training set的整体性进行训练的，如果训练数据集

具有明显的分段性，那么普通的回归方法预测效果可能不佳。

 

考虑 knn(k邻近法)的解决思路：

　　给定一个 training set, 对于查询的实例，在training set中找到与这个实例

最邻近的k个实例，然后再根据k个最邻近点做预测。

 

得到k个邻近点后，如何输出预测结果？

　　对这k个临近点加权。 

　　查询点q,  得到k个最邻近点后，输出预测结果yq为：

加权值如何得到？

　　考虑到离查询点q越近，权值越大。一个简单的方法是取权值为距离的倒数。

　　另一个方法是使用核函数(kernel).

　　

　　Gaussian Kernel:

    

      取加权为：

                

 

　　以上是使用 knn方法的思路。如果不特定选出k个最邻近点，而是综合考虑所有的点呢？

 

Kernel regression:

 

一个重要问题：带宽 lambda如何选择？

　　使用  cross validation(交叉验证) 选择 lambda.

 

转载于:https://www.cnblogs.com/smartweed/p/8534327.html