线性回归（Linear Regression）
2016-02-26 16:11:53 10 举报AI智能生成
线性回归是一种统计学上预测分析因变量与自变量之间关系的方法。它通过建立一个线性方程模型，来描述自变量和因变量之间的线性关系。在实际应用中，线性回归常用于预测和分析连续型变量之间的关系，如销售额与广告费用、房价与面积等。线性回归的目标是找到一条最佳拟合线，使得所有数据点到这条线的垂直距离的平方和最小。通过最小二乘法等优化算法，可以求解出最佳的回归系数，从而得到线性方程模型。线性回归简单易用，适用于各种领域的问题，但需要注意的是，它假设自变量和因变量之间存在线性关系，对于非线性关系的数据集，线性回归的效果可能不佳。
作者其他创作
大纲/内容
线性回归（Linear Regression）
代价函数（cost function）
最小二乘法（least squares）
最小均方（LMS：least mean squares）
梯度下降（gradient descent）
批量梯度下降（BGD：batch gradient descent）
随机梯度下降（SGD：stochastic gradient descent）
局部加权线性回归（LWR：locally weighted linear regression）
是一个非参数算法（Non-parametric algorithm）
欠拟合（underfitting）
过拟合（overfitting）
概率解释（Probabilistic interpretation）
独立同分布（IID：independently and identically distributed）
最大似然（maximum likelihood）
感知机学习算法
损失函数（感知机学习的经验风险函数）
数据集的线性可分性
原始形式
对偶形式
0 条评论
回复 删除
下一页
