数学 多元函数求极值:
复合函数: 不同性质的数学函数套在一起
(x+1)是一元函数方程 (x+1)^2 就是符合函数 求导先求内部再求外部
x^2是二元函数 单函数 直接对自变量操作 有系数或常数项还是单函数
最小化二乘法: 一直以为是个高大上的玩意 实际就是 平方差最小化问题
函数是个二次函数 其中含有未知数(可能多个)=》通过多元函数求偏导 找到偏导均为0的地方=》求得为误差最小值=》最小二乘法结束
线性回归:
=》分类坐标轴分别代表个类别
=》回归问题一个轴是标签 因为他不行分类问题 可以直接用颜色代表分类结果 他是连续的必须用一个轴进行表示 如果对两个特征的拟合就要用三维了,讲解中一般用一个特征进行讲解
我们用线性回归的目标:
最小二乘法: 为了优化过程中采用二范数做误差函数,求解误差函数最小值(含有a b两个参数的二次函数)对应的参数
求解过程:
1.J对b进行求导 =》b好求
2.J对a进行求导
未知数只有a了
a已经可以求出来了 因为xy都是已知的 下面进行变形是为了 便于编程中的计算
找出的a,b 结束
回归算法评价标准:
==》1.减少 数量的影响
==》2.量纲的平方 有可能会造成麻烦 开方使量纲一致
前面两种方法=》数值不同但本质相同
3.
第二种方法结果》第三种 第二种接近损失函数 这也说明 我们减少训练误差中误差 减少的是最大误差的那个值
R^2意义:我们的训练模型效果/不训练下的模型(基准模型)效果
没有训练关系R^2 可能为负 说明训练不如不训练 说明没有线性关系
R^2 越大越好
基准模型不好 训练模型有好有不好 抵消基准模型的不好剩的就是好
多元回归:
连续可导 减小最大值
可解释性:
求出来的系数 看正负 决定正相关还是负相关 数值绝对值大小代表重要程度
对系数进行排序 从小到大 对应到数据的属性 可以发现数据哪些特征对分类的影响程度大
特征多 数据好有助于分类精度提升
数量大 正规方程解不适合 梯度下降法比较好