本文仅为个人学习笔记,知识来源:《机器学习》(周志华著)、《机器学习-吴恩达》视频(https://www.bilibili.com/video/av9912938/?p=1)
预备知识
矩阵求导(于线性回归矩阵表示时用到):
https://blog.csdn.net/u010976453/article/details/54381248
https://zhuanlan.zhihu.com/p/24709748
https://zhuanlan.zhihu.com/p/24863977
https://blog.csdn.net/acdreamers/article/details/44662633 (推断过程)
https://www.jianshu.com/p/edaf949bcaeb(更详细的推断过程)
正文
线性模型旨在通过对已有数据进行拟合,从而对未知数据行进预测
对于有i个属性的数据,若仅考虑线性关系的情况,其函数可表达为:
转换为向量形式即为:
其中,为函数参数,
为输入。
对于连续属性值的的场景,可直接构建线性模型;而对于离散的属性,若其属性值具有“顺序”的关系时,可将其转换为连续属性,如“高”、“中”、“低”三种属性可转换为{1.0,0.5,0.0};若不存在顺序关系时则可将其转换为不同维度,例如属性"瓜类"的取值"西瓜”、"南瓜"、"黄瓜"可转化为 (0,0,1) (0,1,0) (1,0,0);
机器学习的目的,既是求得函数,使得
求得既是求得
和
,而机器学习则是通过衡量
与
的差异来判断所求得的公式是否合适,其差异的衡量通常使用
与
的均方误差,使得均方误差最小也就找到了合适的公式。
使方差最小找到对应和
的过程称为线性回归模型的最小二乘"参数估计" (p町ameter estimation). 我们可将 公式分到对
和
求导,得到