線性回歸模型了解
線性回歸模型
找到一條連續的線(線性方程),能夠最大程度的拟合所有的點
- 如果點是二維,那麼就隻有 y , x 1 y,x_1 y,x1
- 如果是三維,那麼有 y , x 1 , x 2 y,x_1,x_2 y,x1,x2
- 以此類推
- 也可以讓 x 1 = w 2 = w M x_1=w_2=w_M x1=w2=wM。即,并不嚴格限制方程中的 x x x與資料點的次元數量對應。 其中Basis function可以是多項式,高斯函數,Sigmoid函數等 隻要找到一組參數(也就是線性方程每一項上的系數,即 w M w_M wM)能讓損失函數的值最小,那這一組參數就能最好的拟合目前的訓練資料
最大程度拟合
使損失函數最小
損失函數
所有點的輸出和預期輸出相減的平方和(系數隻是為了後面友善計算)
如何找到損失函數最小值
如果損失函數為凸函數,那麼根據凸函數的定義可知,任何局部最小值都是整個凸函數的最小值。
- 将所有點代入函數,得到最終的損失函數方程。
- 對損失函數各軸求偏導數,使偏導數為0,得到方程組
- 對方程組求解,得到所有系數 w M w_M wM
- 将系數代入原方程,得到最佳拟合方程。
計算公式
- 選擇basis function ϕ ( x ) \phi(x) ϕ(x)
- 選擇basis function 的數量 n
- 計算 w w w,公式如下:
- Φ \Phi Φ表示 ϕ i ( x ) \phi_i(x) ϕi(x)的值構成的矩陣