此乃开博首篇,先用简单的问题来当做开胃菜!
本篇一元回归主要参考周志华老师《机器学习》,主要工作是把周老师在书中省略的公式推导过程详细叙述清楚。
对于样本集 D D = { (
, y1 y 1 ), ( x2 x 2 , y2 y 2 ), …, ( xm x m , ym y m ) } 线性回归模型就是要找到一个模型 f(x)=wx+b f ( x ) = w x + b 使得 ∀i∈[1,m] ∀ i ∈ [ 1 , m ] 都有 f(xi) f ( x i ) 尽可能地接近于 yi y i 所以我们使每一个样本的预测值与真实值的差的平方和最小,即:
(w∗,b∗)=argw,bmin∑i=1m(f(xi)−yi)2=argw,bmin∑i=1m(wxi+b−yi)2(1) ( w ∗ , b ∗ ) = arg w , b min ∑ i = 1 m ( f ( x i ) − y i ) 2 (1) = arg w , b min ∑ i = 1 m ( w x i + b − y i ) 2
这可以看做是对多元函数 h(w,b)=∑mi=1(wxi+