本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理
一.理论基础
1.回归公式
对于单元的线性回归,我们有:f(x) = kx + b 的方程(k代表权重,b代表截距)。
对于多元线性回归,我们有:
![b241ca6ab74fe8639e846215b0c9d358.png](https://i-blog.csdnimg.cn/blog_migrate/6fdd21fac80d4c3194b75cd770b82493.jpeg)
或者为了简化,干脆将b视为k0·x0,,其中k0为1,于是我们就有:
![f89d277a898e6d0cdc55b86c4b918016.png](https://i-blog.csdnimg.cn/blog_migrate/aabbcd702313c9b2f38712fe53f46abc.jpeg)
2.损失函数
![9930159539380747a42d26d502a56c1a.png](https://i-blog.csdnimg.cn/blog_migrate/26baf94d6d7cc1e89fa9fb1b5f93436a.jpeg)
3.误差衡量
MSE,RMSE,MAE越接近于0越好,R方越接近于1越好。
MSE平均平方误差(mean squared error)
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理
1.回归公式
对于单元的线性回归,我们有:f(x) = kx + b 的方程(k代表权重,b代表截距)。
对于多元线性回归,我们有:
或者为了简化,干脆将b视为k0·x0,,其中k0为1,于是我们就有:
2.损失函数
3.误差衡量
MSE,RMSE,MAE越接近于0越好,R方越接近于1越好。
MSE平均平方误差(mean squared error)