![542075c4db5e07eff0f5a4c59ec82cc7.png](https://i-blog.csdnimg.cn/blog_migrate/db0fedbe6b5a1cfaea488e792e4695a0.jpeg)
有人说人工智能是装裱后的机器学习,而机器学习就是装裱后的线性回归。诚然,线性回归是最基础、最常用的机器学习模型,也是人们研究最透彻、调参方法最成熟的机器学习模型。而且,简单的线性模型衍生出了大量的现代机器学习模型,堪称是机器学习的基石,因此理解透彻其中的理论和学习其调参经验即使在今天也尤为重要。
本专栏的机器学习系列也将对线性回归做一个系统、详实的入门,从原理介绍到公式推导,再到一些调参方法的动机,我将尽我所能地将其一一道来。
主体文章内容如下
线性回归的原理理解:从微积分、空间投影、最大似然估计等多个不同的角度理解线性回归模型的原理。
线性回归的相关假设:线性回归得到的结果的简单分析,并且根据其中的结果检查使用线性回归模型所需要基于得假设是否成立,如果不成立应该如何应对。
线性回归的样本诊断:检查数据样本中是否存在极端值,并且通过一些标准判断这些极端值是否应该被舍去。
线性回归的模型选择:判断数据样本中的特征是否适用于建立线性回归模型,以及对于给定的不同线性回归模型,如何选择更好的那一个。
更多内容持续更新中……
附录
线性回归中的科学计算:如何使用Sherman-Morrison公式在线性回归的样本诊断中进行高效的运算。