zoukankan      html  css  js  c++  java
  • 线性回归模型

     给定由d个特征描绘的样本x=(x1;,x2;...;xd),其中xi表示样本的第i个特征的取值,故预测函数的一般形式为

                f(x)=w1x1+w2x2+...+wdxd+b

    一般写成向量形式

              f(x)=wx+b

    首先讨论最简单的形式:一元线性回归模型,即数据集只含一个特征

              f(xi)=wxi+b

    模型评估函数用最小均方误差函数:

            E(w,b)=arg min(f(xi)-yi)2

                       =arg min(wx+b-yi)2

    为了最小化函数E(w,b),分别对w和b求导

           ∂E(w,b)/∂w=2(w∑xi-∑(yi- b)xi)--------1

          ∂E(w,b)/∂b=2(mb-∑(yi-wxi))----------2

    其中i=0,1,...,m(m为样本数)

    令1和2式等于0:

           ∂E(w,b)/∂w=0

           ∂E(w,b)/∂b=0

    既可以得到w和b的值

    现在讨论多元模型:即样本由多个特征描绘

           f(Xi)=WTXi+b

    令W*=(W,b)

    X=(x1T,1;...;xmT,1)

    得到:

            E(W*)=arg min(Y-XW*)T(Y-XW*)

    对W求导:

            ∂E(W)/∂W=2XT(XW*-Y)

    如果XTX是非奇异矩阵,则

           W*=(XTX)-1XTY

    但是大多数情况下矩阵(XTX)往往是非方阵,所以不可求(XTX)的逆

  • 相关阅读:
    Linux删除文件相关命令
    Bing语句
    VS2013配置Winpcap
    node10-mongoose
    node09-cookie
    node08-express
    node07-http
    node06-path
    node05-fs
    node04-buffer
  • 原文地址:https://www.cnblogs.com/semen/p/6802485.html
Copyright © 2011-2022 走看看