《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
GL_Rain13 分钟前
【OpenCV】Could NOT find TIFF (missing: TIFF_LIBRARY TIFF_INCLUDE_DIR)
人工智能·opencv·计算机视觉
shansjqun18 分钟前
教学内容全覆盖:航拍杂草检测与分类
人工智能·分类·数据挖掘
狸克先生20 分钟前
如何用AI写小说(二):Gradio 超简单的网页前端交互
前端·人工智能·chatgpt·交互
肖永威32 分钟前
CentOS环境上离线安装python3及相关包
linux·运维·机器学习·centos
baiduopenmap35 分钟前
百度世界2024精选公开课:基于地图智能体的导航出行AI应用创新实践
前端·人工智能·百度地图
小任同学Alex38 分钟前
浦语提示词工程实践(LangGPT版,服务器上部署internlm2-chat-1_8b,踩坑很多才完成的详细教程,)
人工智能·自然语言处理·大模型
新加坡内哥谈技术44 分钟前
微软 Ignite 2024 大会
人工智能
江瀚视野1 小时前
Q3净利增长超预期,文心大模型调用量大增,百度未来如何分析?
人工智能
陪学1 小时前
百度遭初创企业指控抄袭,维权还是碰瓷?
人工智能·百度·面试·职场和发展·产品运营
QCN_1 小时前
湘潭大学人工智能考试复习1(软件工程)
人工智能