线性回归

简介: 【7月更文挑战第21天】线性回归。

线性回归
机器学习分为监督学习(或称为有监督学习)、无监督学习、半监督学习,线性回归属于监督学习。
监督学习在训练时,不仅需要将训练的数据输入计算机,还需要将与该训练数据对应的结果(标签)输入计算机。训练完成后,将测试的数据输入计算机,计算机会对测试数据的标签进行预测,例如,要完成一个能够认识小狗的算法,在使用监督学习算法时需要将小狗的照片作为训练数据输入计算机,同时还要告诉计算机这张照片结果(标签)是小狗,算法才可以进行训练。常见的监督学习算法有线性回归、逻辑回归、KNN、SVM等。
无监督学习是给计算机提供需要训练的数据,不会将数据对应的结果(标签)输入,所以计算机无法直接确定哪个数据对应着什么标签,只能通过分析数据的特征进行特征描述。常见的无监督学习算法有聚类算法、K-均值聚类算法等。
半监督学习中提供的数据,一些有标签,一些没有标签,但没有标签的数据要多于有标签的数据,通过局部特征分析,从而获取整体特征分布。

目录
打赏
0
1
1
0
342
分享
相关文章
|
7月前
什么是线性回归
【7月更文挑战第21天】什么是线性回归。
104 2
数学方法解决线性回归问题
【7月更文挑战第21天】数学方法解决线性回归问题
55 2
逻辑回归
【7月更文挑战第22天】逻辑回归
58 5
逻辑回归的介绍和应用
**逻辑回归简介** 逻辑回归是一种分类模型,尽管名字含“回归”,实际上是用于二分类问题的。它简单易懂,计算高效,适用于许多领域,如医学、社会科学、市场营销等。优点是模型简单,易于实现,具有强解释性。然而,它易受多重共线性影响,可能欠拟合,分类精度有限,尤其对非线性问题和数据不平衡问题处理不佳。在实践中,逻辑回归常作为其他复杂算法的基线,如用于信用卡欺诈检测和点击率预测。通过调整和与其他技术结合,如GBDT,可以提升其性能。
线性回归
【6月更文挑战第7天】线性回归是建立自变量与因变量之间线性关系的模型,常用于预测数值。它假设观测噪声符合正态分布。模型表示为y=wTx+b,其中w是权重,b是偏置。损失函数常用平方误差,通过梯度下降法优化。小批量随机梯度下降是常用的更新参数方法。正则化,如L2正则化(权重衰减),用于防止过拟合。丢弃法用于多层感知机,减少模型复杂度。训练时注意数值稳定性,如梯度爆炸和消失,可通过权重初始化、归一化等方法改善。
53 1
|
9月前
R方和线性回归拟合优度
R方和线性回归拟合优度

热门文章

最新文章