每个特征变量可以首先映射到⼀一个函数,然后再参与线性计算,模型如下:
其中表示自变量(特征分量),表示因变量,是权重,是偏移项(截距);越大,说明对结果的影响越⼤
输入空间映射到特征空间(映射函数),建模.为
特征映射相关技术,包括特征哈希、特征学习、Kernel等
目标函数
预测值$ h_\theta(x)y$之差越小越好,加入损失函数(平方损失函数):
求
损失函数就是的预测值与真实值之差的平方和
回归模型(尤其是线性回归类)的⽬目标函数通常⽤用平⽅方损失函数来作为优化的⽬目标函数
为什么用误差平方和作为目标函数:
根据中⼼心极限定理理,把那些对结果影响⽐比较⼩小的变量量(假设独⽴立同分布)之和认为服从正态分布是合理理的
如果数据是高斯分布的,输入值,预测值,真实值,误差,线性模型为,
根据中心极限定理,认为变量之和服从高斯分布,即
则,x,y的条件概率为
越大,证明越接近真实值,还要考虑拟合过度以及模型的泛化能力问题
优化目标函数:使目标函数最小
最小二乘法
梯度下降法
批量梯度下降法
随机梯度下降法
拉格朗日乘子法
例子