暂无个人介绍
数据类型与包装类型一一对应 boolean:Boolean byte:Byte char:Character short:Short int:Integer long:Long float:Float double:Double
梯度的本意是一个向量(矢量),表示函数在该点处沿着该方向变化最快,变化率最大。
一种最优化算法,沿着梯度方向去增加函数值从而接近目标值。
又称为最速下降法。沿着负梯度方向去减小函数值从而接近目标值。
梯度的计算方法是分别求出三个变量的偏导数,接着再用这三个偏导数分别乘三个轴的单位向量,并将所得的结果加到一起,所得到的和就是所要求的梯度
梯度上升法
批量梯度上升法
随机梯度上升法
得到的解更优,易于并行实现 当样本数据量较大时,训练时间长,消耗资源多
训练速度快
准确率较低
不易于并行
最小二乘估计法,又称最小平方法,计算最小误差的平方,利用最小二乘估计法简便地求得未知的数据,使得求的数据与真实数据无限接近。
按照无偏性,有效性和一致性三个方面进行判断
1、无偏性:无偏性不是要求估计量与总体参数不得有偏差 2、有效性:估计量与总体之间必然存在着一定的误差,方差越小,这个估计量也就越有效。 3、一致性:当样本量逐渐增加时,样本的统计量能够逐渐逼近总体参数。
线性性,
无偏性,
有效值,
渐进无偏性,
一致性
最小二乘法的一般公式为a=y(平均)-b*x(平均)。
利用概率模型,寻找能够以较高概率产生观察数据的系统。
给定一个概率分布D,假定其连续分布或离散分布为fD,还给出一个分布参数θ,可以从这个分布中抽出一个具有n个值的采样X1,X2,...,Xn,通过利用fD,就能计算出其概率:
从这个分布中抽取n个值的采样X1,X2,...,Xn,来估计θ。
寻找一个值使这个采样的“可能性”最大化。
这个使可能性最大的值就被称为θ的最大似然估计。
Logistic 回归是一种统计方法,也是一种回归分析,常用来解决二元分类问题。
要假设数据服从伯努利分布而且假设模型的输出值是样本为正例的概率。
多类别逻辑回归是把一个变成多类别问题得到的分类方法。
依据最大似然法原理制成的功率谱估计适用于水声、地震波等信号的频率波数功率谱估值;也可用于平稳时间序列的功率谱估值。
不唯一,参数统计模型的最大似然估计不一定存在如果,存在也不是要唯一的
两者虽然得到的估计值是一样的,但二者运用的原理完全不同