機器學習課次6-多元線性回歸多種求解方法_第1頁
機器學習課次6-多元線性回歸多種求解方法_第2頁
機器學習課次6-多元線性回歸多種求解方法_第3頁
機器學習課次6-多元線性回歸多種求解方法_第4頁
機器學習課次6-多元線性回歸多種求解方法_第5頁
已閱讀5頁，還剩8頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

彭輝94031097（QQ）機器學習MachineLearning線性回歸03任務(wù)目標能力目標使用python編程實現(xiàn)線性回歸算法構(gòu)建線性模型實現(xiàn)對測試數(shù)據(jù)的預測使用sklearn工具庫進行線性回歸模型開發(fā)任務(wù)目標素質(zhì)目標團隊協(xié)作學會學習實踐創(chuàng)新目錄多元線性回歸求解方法求導數(shù)法梯度下降法梯度下降法簡單代碼實現(xiàn)

Sklearn中梯度下降法實現(xiàn)嶺回歸

Lasso回歸求解目標函數(shù)線性模型一般情形則是試圖學得使得假設(shè)數(shù)據(jù)集D，樣本由d個屬性描述。如何確定對應(yīng)的參數(shù)呢？關(guān)鍵在于如何衡量之間的差別。我們可以試圖讓均方誤差最小化，即最小二乘法求解可以利用最小二乘法來對ω和ω0進行估計：把ω和ω0吸收入向量形式把數(shù)據(jù)集D表示成一個m*(d+1)大小的矩陣X，其中每行對應(yīng)一個示例，該行前d個元素對應(yīng)于示例的d個屬性值，最后一個元素恒置為1，即再把標記寫成向量形式，則有最小二乘法求解存在的問題最小二乘法求解優(yōu)化為了解決線性回歸中出現(xiàn)的非滿秩矩陣求解出錯問題和過擬合問題，可以采用嶺回歸和Lasso回歸法。他們是通過在損失函數(shù)中加入正則化項（懲罰項）來實現(xiàn)的。線性回歸損失函數(shù)嶺回歸損失函數(shù)Lasso回歸損失函數(shù)梯度下降方法為什么要梯度下降法？我們把目標函數(shù)比作山，要找目標函數(shù)的最小值，可以類比為如何快速的到達山谷。梯度下降方法要求一個目標函數(shù)的極值，按照機器學習的思想直接求解看起來并不容易，可以逐步求其最優(yōu)解。①找到當前最合適的方向，對于每個參數(shù)都有其各自的方向。②走一小步，走得越快，方向偏離越多，可能就做錯了路。③按照方向與步伐去更新參數(shù)。④重復執(zhí)行1~3步。（速率為α）梯度下降方法梯度下降策略：隨機梯度下降fromsklearn.linear_modelimportSGDRegressor批量梯度下降小批量梯度下降一次考慮所有樣本一次只考慮一個樣本每次迭代考慮部分樣本SGDRegressor需要標準化測試數(shù)據(jù)任務(wù)小結(jié)多元線性回歸實現(xiàn)（sklearn

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論