这一课基本上就回忆了一下前面的各种regression ，然后和传统统计与贝叶斯思想联系起来。
还是线性回归
对于一个线性系统
Xw = y
假设y为观测值，那么观测值 为 真实值和噪音的和。y = Real + noise
加入正则化
那么现在对w求解，使用最小二乘法，满足预测值与观测值得平方差最小。
也就是他们的差的向量（y - Xw）的dot product 点积。
对偶写法
这篇博客回顾了线性回归，并介绍了如何引入正则化，特别是岭回归。通过最小二乘法和对偶写法，解释了贝叶斯方法中的最大后验概率原理。讨论了数据点的正态分布假设，以及在高斯分布框架下，如何推导出岭回归的解与最大后验解。
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
