From e08b34904f0122070a8cea265fe122a5d2aa1f99 Mon Sep 17 00:00:00 2001 From: benjas <909336740@qq.com> Date: Mon, 22 Feb 2021 14:52:42 +0800 Subject: [PATCH] =?UTF-8?q?Delete=201.=20=E5=9B=9E=E5=BD=92=E9=97=AE?= =?UTF-8?q?=E9=A2=98=E6=A6=82=E8=BF=B0.md?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../1. 回归问题概述.md | 52 ------------------- 1 file changed, 52 deletions(-) delete mode 100644 机器学习算法理论及应用/第一章——线性回归/1. 回归问题概述.md diff --git a/机器学习算法理论及应用/第一章——线性回归/1. 回归问题概述.md b/机器学习算法理论及应用/第一章——线性回归/1. 回归问题概述.md deleted file mode 100644 index 81b797c..0000000 --- a/机器学习算法理论及应用/第一章——线性回归/1. 回归问题概述.md +++ /dev/null @@ -1,52 +0,0 @@ -# 1. 回归问题概述 - -### 例子： - -- 数据：工资和年龄（两个特征） -- 目标：预测银行会贷款给我多少钱（标签） -- 考虑：工资和年龄都会影响最终银行贷款的结果，那么它们各自有多大的影响被？（参数） - -| 工资 X1 | 年龄 X2 | 额度 Y | -| ------- | ------- | ------ | -| 4000 | 25 | 20000 | -| 8000 | 30 | 70000 | -| 7500 | 33 | 50000 | - -其中工资、年龄是特征，用来预测额度，而我们不可能直接拿工资 × 年龄，因为明显工资更重要些，那么可能建成的方程是 Y = (X1 × θ1) × (X2 × θ1)，其中θ就是各种特征的权重，那么最终我们要求解的就是各种的θ。 - - - -### 通俗理解 - -- X1，X2就是我们的两个特征工资和年龄，Y是银行最终会借给我们额度 -- 找到最合适的一条线，来拟合我们的数据点 - -![1613962795506](assets/1613962795506.png) - -> 红色的点是数据，即前面的特征等 - -当前的数据是线性的，也就是数据不能映射在同一个平面。那么 Y = (X1 × θ1) × (X2 × θ1)就不能覆盖所有的点进行计算。怎么样解决这个问题，或者说如果我们能尽可能的满足绝大多数数据点，是否就可以了呢。 - - - -### 误差项定义 - -#### 数据公式 - -接着上面的问题，什么样的平面才是最合理最满足的呢 - -- 假设 θ1是工资的参数， θ2是年龄的参数 -- 拟合的平面：h θ(x) = θ0 + θ1X1 + θ2X2 - - θ0是偏置项，不管θ1和θ2等什么变化，θ0的变化会影响平面向上或者向下浮动，对结果做微调 - - 上面的方程可能无法形成矩阵相乘的形式，因为θ0没有X0，我们可以添加一个不影响整体的X0，以达到矩阵相乘的效果 -- 整合：![1613963456265](assets/1613963456265.png) - -#### 误差 - -- 真实值和预测值之间肯定要存在差异的（用ε来表示该误差） - -- 对于每个样本：![1613965126989](assets/1613965126989.png) - - > y表示真实值，![1613965189106](assets/1613965189106.png)（第二项）表示预测值，ε表示误差值，即预测值和真实值之间有一个误差项，其中 i 表示每个样本之间都有自己的真实值、预测值、误差项 - -误差项越小，代表预测的越准确。