簡單說明

線性回歸

最小二乘法，也叫最小二乘估計，具體概念自行查詢，下面我舉個比較通俗的例子

可以解決的問題

如果給你一個人（18～22歲）的體重，讓你預測他（她）的身高，你會怎么做？

• 第一步：從身邊的人收集一些數據，并觀察規(guī)律；

樣本1：身高 150cm 體重 45kg 樣本2：身高 161cm 體重 54kg 樣本3：身高 171cm 體重 65kg 樣本4：身高 185cm 體重 78kg 樣本5：身高 156cm 體重 46kg 樣本6：身高 165cm 體重 50kg 樣本7：身高 180cm 體重 80kg 樣本8：身高 160cm 體重 67kg 樣本9：身高 175cm 體重 66kg樣本10： 身高 ?cm 體重 60kg 樣本11： 身高 ?cm 體重 70kg

• 第二步：繪制散點圖，并找到一條合適的線

根據常識，我們知道一般越高的人，體重越重，所以我們大膽的假設身高和體重是線性關系
接下來，根據感覺，找到幾條比較合適的線，并最終選擇y2（后續(xù)會提供兩種優(yōu)化方式） y1 = 1.1 * x + 100y2 = 0.8 * x + 120y3 = 0.5 * x + 140

• 第三步：將上述樣本帶入，求解

y2 = 0.8 * x + 120 樣本10： 身高 168cm 體重 60kg 樣本11： 身高 176cm 體重 70kg

• 總結：上面描述的只是一種方法，其中存在一些問題，比如：

數據太少，不具有代表性（可以通過增加樣本量來解決）；

根據經驗判斷身高和體重一定呈某種線性關系；

第二步，為什么選擇y2 ？

選擇合適的方程

上面的的問題：假設樣本 和 估計值真的是線性關系，那么我們如何選擇一條合適的線性方程？也就是

中 a 和 b 的值？

• 梯度下降
• 標準方程

梯度下降

這里只是簡單介紹一下梯度下降，具體細節(jié)自行查詢

通過梯度下降的方式計算 函數

中， 的最小值

• 第一步：隨機選取一個點，作為初始值 A(1,3),并計算這個點的導數

初始點可以隨機選擇 A 或者 B 或者 其它的點

• 第二步：選取合適的學習率 ，并重復計算n次（迭代次數）

根據經驗選擇合適的值
這里我們選擇 ，
計算公式

根據梯度下降算法，第五次計算出

,帶入公式，計算出

結論：

• 由于此函數是凸函數，所以我們可以根據 ，來計算出最小值
• 通過梯度下降算法，推算出 函數,最小值

注：
1. 梯度下降是推算最小值的一種方式，還需要合適的參數 才能計算出最小值
2. 可以在非凸函數中尋找到局部最小值

線性回歸 - 梯度下降

假設數據

樣本1：身高 150cm 體重 45kg 樣本2：身高 161cm 體重 54kg 樣本3：身高 171cm 體重 65kg 樣本4：身高 185cm 體重 78kg 樣本5：身高 156cm 體重 46kg 樣本6：身高 165cm 體重 50kg 樣本7：身高 180cm 體重 80kg 樣本8：身高 160cm 體重 67kg 樣本9：身高 175cm 體重 66kg

設方程為

，求解a 和 b？

損失函數 （預測值

真實值： ）

計算a 和 b的值

偏導數

設初始值
學習率
迭代次數

標準方程

數據：

假設數據為 n行p列（p維）的數據

• 數據格式定義：如果不理解，后續(xù)可以不用看了。
• 某個人的特征

• 特征+身高 集合變換

• 參數W

可以理解為 中的

• 推導

矩陣求導，令

• 驗證

數據

設函數

等價于

帶入上述公式：

結論：

和我們上面肉眼估計出來的值

相差不大

標準方程和梯度下降的區(qū)別

標準方程

• 優(yōu)點：不需要 、不需要迭代、不需要特征縮放，少量數據時可以直接計算出結果。
• 缺點：
  • 運算量大，當訓練集很大時速度非常慢。
  • 當樣本數<特征數量時， 不可逆，無法求解（可以通過正則化來解決）

梯度下降

• 優(yōu)點：大批量數據也可以較快的計算出結果
• 缺點：
  • 屬于優(yōu)化算法，需要選擇合適的 ，迭代次數等；
  • 雖然線性回歸的損失函數是凸函數，但是梯度下降很大概率只能計算出最小值的近似點；

總結

以上是生活随笔為你收集整理的机器学习线性回归_机器学习-线性回归的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。