Linear Regression(一)——
2024-09-06 02:34:50
Linear Regression(一)——
机器学习
回归
定义
回归的定义
在平面上存在这些点我希望能用一条直线尽可能经过它们。
于是我们画了下面的一条直线
这样的过程就叫做回归。
这个过程中我们的目的其实就是寻找输入变量(自变量)和输出变量的关系(因变量)
线性回归的定义
线性回归:上图中我们进行的回归就是线性回归
线性回归实际上是假设输入变量x和输出变量y存在着这样的关系
在刚刚的情况下,横坐标为,那么公式上图可以表示为,w实际上是这样的一个矩阵,而x实际上是的这样一个矩阵,二者相乘即
线性回归模型
损失函数
我们已经知道了线性回归的定义,那么如何寻找这样的一条直线呢?什么样的直线是最好的?
这张图我们可以明显的看出蓝色的直线是最优的,我们判断的依据是什么?就是直线到各个点的距离
因此我们引出了损失函数
损失函数:
各样本的输出,各变量权重,输入变量
我们的目的即最小化损失函数,使得到的直线到各点的距离最小
损失函数最小化
最简便求得损失函数最小值的方法当然是求导,因此我们以一元线性模型进行说明
存在如下样本训练集T={(3,3),(4,3),(1,1)},求出它的回归直线
我们可以得到以下公式
我们的目标是的最小化
对分别求a,b的偏导得
另两个偏导等于0可以求得a,b
*a=0.71428571,b=0.42857143
使用matplotlib画出图像
使用最小二乘法求得最优解
上文对于一元线性回归方程使用基础的数学方法可得出结果,当求解多元线性回归方程,为了计算的简便,我们通常会将数据转化为矩阵,通过最小二乘法求出数据的结果。
我们已经知道损失函数的矩阵形式表示为
那么我们使用矩阵的求导方法即可得出最优的W
Wiki已经给出了推导,对于没有梯子的可以参照该博文最小二乘法的矩阵形式推导
通过最小二乘法我们得出最优的w为
# X,Y以上文举例分别为[3,2],[3,1]的矩阵
import numpy as np
X = [[3,1],[4,1],[1,1]]
Y= [[3],[3],[1]
X = np.mat(X)
Y = np.mat(Y)
w = (X.T*X).I*X.T*Y
下载.png
最新文章
- Bzoj4300 绝世好题
- [BZOJ 2957]楼房重建(THU2013集训)(分块思想)
- runc create container 流程分析
- 数据关联分析 association analysis (Aprior算法,python代码)
- Spring MVC 解读——@RequestMapping (2)(转)
- 如何仿写thinkphp的S方法?
- Matcher Pattern 正则表达式 示例
- SurfaceView类透明背景设置
- Unix/Linux环境C编程入门教程(37) shell常用命令演练
- Best time to buy and sell stocks IV
- webstorm提交版本时,忽略特定文件
- 爬虫框架Scrapy 之(二) --- scrapy文件
- Git简介及安装
- Go斐波拉契数列(Fibonacci)(多种写法)
- 数据交互axios的用法
- maven 安装 配置
- spring cloud: Hystrix(一):简单使用
- 新项目的vue组件
- random模块常用功能
- 【转】oracle定制定时执行任务