线性回归目标:
已知训练集(x1,y1)(x2,y2) ....(xm ,ym), 拟合回归为最优的线性函数。
线性回归原理:
使用最小二乘法,训练集与拟合后的线性标记函数欧式距离之和最小,则该标记函数为最优线性回归函数。
其中f(x)为标记函数,yi为实际值,e(f,y)为均值分布定义为均值误差,
均值误差最小,测f(x)为最优的解,为此训练集的线性回归函数。
一介二项式的线性回归
函数线性方程:
依据线性回归原理可得:
(1-1)
一介二项式的线性回归归结为(1-1)的最小值 即求w b的偏导数
依据 w b的值 写出直线方程 y=wx+b
java 实现:
public class Line {
public static double [] getLinePara(Double [] [] points ) {
double dbRt [] =new double [2];
double dbXSum=0;
for(int i=0;i<points[0].length;i++) {
dbXSum=dbXSum+points[0][i];
}
double dbXAvg=dbXSum/points[0].length;
double dbWHeadVal=0;
for(int i=0;i<points[0].length;i++) {
dbWHeadVal=dbWHeadVal+(points[0][i]-dbXAvg)*points[1][i];
}
double dbWDown=0;
double dbWDownP=0;
double dbWDownN=0;
dbXSum=0;
for(int i=0;i<points[0].length;i++) {
dbWDownP=dbWDownP+points[0][i]*points[0][i];
dbXSum=dbXSum+points[0][i];
}
dbWDown=dbWDownP-(dbXSum*dbXSum/points[0].length);
double dbW=dbWHeadVal/dbWDown;
dbRt[0]=dbW;
double dbBSum=0;
for(int i=0;i<points[0].length;i++) {
dbBSum=dbBSum+(points[1][i]-dbW*points[0][i]);
}
double dbB=dbBSum/points[0].length;
dbRt[1]=dbB;
return dbRt;
}
public static void main(String[] args) {
Double [][] arrPoints= {{1.0,2.0,3.0,5.0},{1.0,2.0,3.0,5.0}};
/** 预测 w为1 b为0*/
System.out.println(getLinePara(arrPoints)[0]);
System.out.println(getLinePara(arrPoints)[1]);
/**测试结果与预测相同*/
}
}