点击进入专栏:
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程
文章目录
-
- 一 引入回归算法
-
- 1.1 什么是“回归”?
- 1.2 什么是“线性”?
- 1.3 什么是线性回归?
- 1.3 什么是回归算法
- 二 线性回归
- 三 损失函数
- 四 最小二乘法
- 五 最大似然估计
-
- 5.1 正态分布
- 5.2 似然函数
- 5.3 似然函数取对数
- 六 目标函数的求解过程
- 七 多项式扩展
- 八 岭回归(ridge regression)算法和Lasso算法
- 九 模型效果评估
- 十 机器学习调参
- 三 算法实现
-
- 简单实现
- 详尽的实现分析代码
-
- Python实现梯度下降
- 线性回归与多项式回归案例
- 欠拟合与过拟合
- 1. 机器学习
- 2. 深度学习与目标检测
- 3. YOLOv5
- 4. YOLOv5改进
- 5. YOLOv8及其改进
- 6. Python与PyTorch
- 7. 工具
- 8. 小知识点
- 9. 杂记
一 引入回归算法
1.1 什么是“回归”?
回归的全称是,“Regression towards the mean”。**直接翻译过来就是向着中间值回归。直白点说,就是在图像上给你一堆点,你来找一条线,然后让这条线尽可能的在所有点的中间。**这个找直线的过程,就是在做回归了。如下图所示
![3e4qvq.png](https://img-blog.csdnimg.cn/img_convert/d2b5c597f68f9ac93534656a614d8140.png)
进一步思考:为什么非要找这么一条尽可能的在所有点的中间的直线?
我们面对的是一堆散乱的点,看不出具体的相关关系,而线能够体现趋势。所以,我们就是想办法来找一条尽可能在所有点的中间的直线,代表一个数据的整体趋势,让数据的整体关系更加清晰可见,这样就方便我们预判未来的情况