深度学习DeepLearning多元线性回归 学习笔记

文章目录

多维特征

变量与术语

列属性xj 属性数n x ⃗ \vec{x} x (i)行向量 某个值 x ⃗ j i \vec{x}_j^i x ji上行下列
均值μ 标准化 标准差σ sigma(σ)

公式

w ⃗ \vec{w} w = [w1 w2 w3 ...]
x ⃗ \vec{x} x = [x1 x2 x3 ...]

f w ⃗ , b ( x ⃗ ) = w ⃗ ∗ x ⃗ + b = w 1 x 1 + w 2 x 2 + ... + w n x n + b f_{\vec{w},b} (\vec{x}) = \vec{w} * \vec{x} + b = w_1x_1 + w_2x_2 + ... + w _nx_n + b fw ,b(x )=w ∗x +b=w1x1+w2x2+...+wnxn+b

多元线性回归

python 复制代码
import numpy
f = np.dot(w, x) + b

注:n很大的时候很快(并行处理)

正规方程法

  1. 大于1000效率低
  2. 不能推广到其他算法,如逻辑回归,神经网络或其他算法。
  3. 没有迭代

w n = w n − α 1 m ∑ i = 1 m f w ⃗ , b ( x ⃗ ( i ) − y ( i ) ) x n ( i ) w_n = w_n - α\dfrac{1}{m} \sum\limits_{i=1}^mf_{\vec{w},b}(\vec{x}^{(i)}-y^{(i)})x_n^{(i)} wn=wn−αm1i=1∑mfw ,b(x (i)−y(i))xn(i)

b = b − α 1 m ∑ i = 1 m ( f w ⃗ , b ( x ⃗ ( i ) − y ( i ) ) b = b - α{\dfrac{1}{m}}\sum\limits_{i=1}^m(f_{\vec{w},b}(\vec{x}^{(i)}-y^{(i)}) b=b−αm1i=1∑m(fw ,b(x (i)−y(i))

较大范围的自变量对应权重趋于更小,较小范围的自变量对应权重趋于更大。

Mean normalization

除以范围的最大值以求得权重与自变量的[0, 1]

横坐标: x 1 = x 1 − μ 1 2000 − 300 x_1 = \dfrac{x_1-μ_1}{2000-300} x1=2000−300x1−μ1 纵坐标: x 2 = x 2 − μ 2 5 − 0 x_2 = \dfrac{x_2 - μ_2}{5-0} x2=5−0x2−μ2

− 0.18 ≤ x 1 ≤ 0.82 -0.18\le x_1\le0.82 −0.18≤x1≤0.82 − 0.46 ≤ x 2 ≤ 0.54 -0.46\le x_2\le0.54 −0.46≤x2≤0.54

Z-score normalization

300 ≤ x 1 ≤ 2000 300\le x_1\le2000 300≤x1≤2000 0 ≤ x 2 ≤ 5 0\le x_2\le5 0≤x2≤5

x 1 = x 1 − μ 1 σ 1 x1 = \dfrac{x_1-μ_1}{σ_1} x1=σ1x1−μ1 − 0.67 ≤ x 1 ≤ 3.1 -0.67\le x_1\le3.1 −0.67≤x1≤3.1

通过缩放尽量让所有特征的取值在差不多范围,这样它们的变化对预测值的影响都是接近的 接近(-3,3)

如果成本函数J变大,那么说明步长(学习率)不合适,或代码有误

注:迭代次数因机器而异

除了通过绘制曲线判断迭代到什么地步之外还可以采用自动收敛测试

让 ε 等于 1 0 − 3 10^{-3} 10−3,J的减小幅度小于这个很小的数则视作收敛。

设置合适的学习率

  1. 测试时可以设置一个很小的值, 看J是否减小
  2. 迭代时学习率不宜过大不宜过小
  3. 测试时每次 * 3,选择尽可能大的学习率,或是比合理值略小的

Feature engineering

通过变换或组合建立特征工程,给予更多选择

f w ⃗ , b ( x ⃗ ) = w 1 x 1 + w 2 x 2 + w 3 x 3 + b f_{\vec{w},b}(\vec{x}) = w_1x_1+w_2x_2+w_3x_3+b fw ,b(x )=w1x1+w2x2+w3x3+b

注:多项式回归可以用于线性和非线性拟合

相关推荐
华新嘉华DTC创新营销1 天前
华新嘉华:AI搜索优化重塑本地生活行业:智能推荐正取代“关键词匹配”
人工智能·百度·生活
SmartBrain1 天前
DeerFlow 实践:华为IPD流程的评审智能体设计
人工智能·语言模型·架构
l1t1 天前
利用DeepSeek实现服务器客户端模式的DuckDB原型
服务器·c语言·数据库·人工智能·postgresql·协议·duckdb
寒月霜华1 天前
机器学习-数据标注
人工智能·机器学习
九章云极AladdinEdu1 天前
超参数自动化调优指南:Optuna vs. Ray Tune 对比评测
运维·人工智能·深度学习·ai·自动化·gpu算力
人工智能训练师1 天前
Ubuntu22.04如何安装新版本的Node.js和npm
linux·运维·前端·人工智能·ubuntu·npm·node.js
cxr8281 天前
SPARC方法论在Claude Code基于规则驱动开发中的应用
人工智能·驱动开发·claude·智能体
研梦非凡1 天前
ICCV 2025|从粗到细:用于高效3D高斯溅射的可学习离散小波变换
人工智能·深度学习·学习·3d
幂简集成1 天前
Realtime API 语音代理端到端接入全流程教程(含 Demo,延迟 280ms)
人工智能·个人开发
龙腾-虎跃1 天前
FreeSWITCH FunASR语音识别模块
人工智能·语音识别·xcode