这篇博客探讨了线性回归在回归问题中的应用，特别是针对欠拟合和过拟合的解决方案——岭回归。同时介绍了逻辑回归在分类问题中的作用。内容还涵盖了模型的保存与加载以及无监督学习中的K-means聚类算法。线性回归的基本原理、损失函数和优化方法也被详细阐述，强调了如何通过最小化误差来提高预测准确性。
回归和聚类
线性回归：欠拟合与过拟合 -> 岭回归
分类算法：逻辑回归
模型保存与加载
无监督学习：K - means
线性回归
原理：
回归问题：目标值为连续型的数据
应用场景：房价预测，销售额度预测，金融类问题
定义：
函数关系：目标值 -- 特征值 ——>线性模型
广义线性模型：非线性关系
自变量一次方
参数一次方
线性关系
线性模型
线性回归的损失和优化原理：
目标：求模型参数，使得模型能够预测准确
真实关系：
随意假定：
通过一种方法将两个之间的误差不断的减少，更新权重和偏置，当误差越来越小模型也就变的准确
—— 损失函数/cost/成本函数/目标函数：
API：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
