《机器学习》- 第3章 线性模型

文章目录

  • [3.1 基本形式](#3.1 基本形式)
  • [3.2 线性回归](#3.2 线性回归)
  • [3.3 对数几率回归(逻辑回归)](#3.3 对数几率回归(逻辑回归))
  • [3.4 线性判别分析](#3.4 线性判别分析)
  • [3.5 多分类学习](#3.5 多分类学习)
  • [3.6 类别不平衡问题](#3.6 类别不平衡问题)

3.1 基本形式

问题描述:

函数形式:

向量形式:

许多功能更为强大的非线性模型可在线性模型的基础上引入层级结构或高维映射而得。

由于w直观表达了各属性在预测中的重要性,因此线性模型有很好的可解释性。

3.2 线性回归

一元线性回归

为了确定w和b的值,可以让均方误差最小化:

基于均方误差最小化来进行模型求解的方法称为最小二乘法。

在线性回归中,最小二乘法就是试图找到一条直线,使所有样本到直线上的欧式距离最小。

对w求导:

对b求导:


更一般的情形是多元线性回归:

多元线性回归

关系式:

目标函数:

目标函数求解:


对数模型

原型:

对数:

考虑一般情况:

3.3 对数几率回归(逻辑回归)

问题描述

分类问题,x的取值就是几种,y=比如0,1,2这样

考虑广义线性模型,只需要用一个单调可微的关系函数将分类任务的标记y做一个转换就可以了。

二分类任务

y={0,1}

关系函数

单位阶跃函数

单位跃阶函数不连续,于是有了单调可微的对数几率函数:

几率:

3.4 线性判别分析

LDA的思想非常朴素:给定训练样例集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离;在对新样本进行分类时,将其投影到同样的这条直线上,再根据投影点的位置来确定新样本的类别.图3.3给出了一个二维示意图.

类内散度矩阵:

类间散度矩阵:

最大化的目标:

重写为:

3.5 多分类学习

3.6 类别不平衡问题

相关推荐
lzptouch19 小时前
数据预处理(音频/图像/视频/文字)及多模态统一大模型输入方案
人工智能·音视频
星期天要睡觉19 小时前
深度学习——循环神经网络(RNN)
人工智能·python·rnn·深度学习·神经网络
jieba1213819 小时前
CAA机器学习
人工智能
TextIn智能文档云平台19 小时前
LLM 文档处理:如何让 AI 更好地理解中文 PDF 中的复杂格式?
人工智能·pdf
Blossom.11819 小时前
把AI“撒”进农田:基于极值量化与状态机的1KB边缘灌溉决策树
人工智能·python·深度学习·算法·目标检测·决策树·机器学习
takashi_void20 小时前
本地实现斯坦福小镇(利用大语言模型使虚拟角色自主发展剧情)类似项目“Microverse”
人工智能·语言模型·自然语言处理·godot·游戏程序·斯坦福小镇
zxsz_com_cn20 小时前
设备健康管理大数据平台:工业智能化的核心数据引擎
运维·人工智能
算家计算20 小时前
破5亿用户!国产AI模型成功逆袭,成为AI普及浪潮主角
人工智能·开源·资讯
Jolie_Liang20 小时前
国内金融领域元宇宙金融特殊需求与技术挑战研究报告
人工智能·元宇宙
算家计算20 小时前
SAIL-VL2本地部署教程:2B/8B参数媲美大规模模型,为轻量级设备量身打造的多模态大脑
人工智能·开源·aigc