【机器学习】深入理解回归

简介: 【1月更文挑战第23天】【机器学习】深入理解回归

  回归简单来说就是“回归平均值”(regression to the mean)。但是这里的 mean 并不是把 历史数据直接当成未来的预测值,而是会把期望值当作预测值。 追根溯源回归这个词是一个叫高尔顿的人发明的,他通过大量观察数据发现:父亲比较高,儿子也比较高;父亲比较矮,那么儿子也比较矮!正所谓“龙生龙凤生凤老鼠的儿子会打洞”!但是会存在一定偏差~

  父亲是 1.98,儿子肯定很高,但有可能不会达到1.98
  父亲是 1.69,儿子肯定不高,但是有可能比 1.69 高

  大自然让我们回归到一定的区间之内,这就是大自然神奇的力量。

  高尔顿是谁?达尔文的表弟,这下可以相信他说的十有八九是对的了吧!

  人类社会很多事情都被大自然这种神奇的力量只配置:身高、体重、智商、相貌……

  这种神秘的力量就叫正态分布。大数学家高斯,深入研究了正态分布,最终推导出了线性回归的原理:最小二乘法

image.png

目录
打赏
0
1
1
0
145
分享
相关文章
探索机器学习中的线性回归模型
本文深入探讨了机器学习中广泛使用的线性回归模型,从其基本概念和数学原理出发,逐步引导读者理解模型的构建、训练及评估过程。通过实例分析与代码演示,本文旨在为初学者提供一个清晰的学习路径,帮助他们在实践中更好地应用线性回归模型解决实际问题。
机器学习:逻辑回归
逻辑回归是一种广泛使用的分类算法,它属于线性分类器。 在逻辑回归中,目标是找到最佳的权重参数θ,使得预测结果尽可能接近实际的类别标签。 广义线性回归是逻辑回归的理论基础,它考虑了不同类型的因变量分布,包括伯努利分布(对应二分类问题)。指数族分布是这类模型的一个共同特征,而逻辑回归就是其中的特定情况。在梯度下降过程中,我们沿着损失函数的梯度方向更新权重,以找到损失最小的解。通过这种方式,逻辑回归可以学习到数据集的最佳分类超平面。 在代码实现中,我们可以使用Python的scikit-learn库来实现逻辑回归,并观察损失函数在权重空间中的形状。
62 0
机器学习——决策树模型
谈起过年回家的年轻人最怕什么、最烦什么?无外乎就是面对那些七大姑、八大姨的催结婚、催生子、催相亲、催买房……说起这些亲戚们是如何判断催什么,不得不让我们想起经典的决策树模型。
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等