机器学习课次6-多元线性回归多种求解方法_第1页
机器学习课次6-多元线性回归多种求解方法_第2页
机器学习课次6-多元线性回归多种求解方法_第3页
机器学习课次6-多元线性回归多种求解方法_第4页
机器学习课次6-多元线性回归多种求解方法_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

彭辉94031097（QQ）机器学习MachineLearning线性回归03任务目标能力目标使用python编程实现线性回归算法构建线性模型实现对测试数据的预测使用sklearn工具库进行线性回归模型开发任务目标素质目标团队协作学会学习实践创新目录多元线性回归求解方法求导数法梯度下降法梯度下降法简单代码实现

Sklearn中梯度下降法实现岭回归

Lasso回归求解目标函数线性模型一般情形则是试图学得使得假设数据集D，样本由d个属性描述。如何确定对应的参数呢？关键在于如何衡量之间的差别。我们可以试图让均方误差最小化，即最小二乘法求解可以利用最小二乘法来对ω和ω0进行估计：把ω和ω0吸收入向量形式把数据集D表示成一个m*(d+1)大小的矩阵X，其中每行对应一个示例，该行前d个元素对应于示例的d个属性值，最后一个元素恒置为1，即再把标记写成向量形式，则有最小二乘法求解存在的问题最小二乘法求解优化为了解决线性回归中出现的非满秩矩阵求解出错问题和过拟合问题，可以采用岭回归和Lasso回归法。他们是通过在损失函数中加入正则化项（惩罚项）来实现的。线性回归损失函数岭回归损失函数Lasso回归损失函数梯度下降方法为什么要梯度下降法？我们把目标函数比作山，要找目标函数的最小值，可以类比为如何快速的到达山谷。梯度下降方法要求一个目标函数的极值，按照机器学习的思想直接求解看起来并不容易，可以逐步求其最优解。①找到当前最合适的方向，对于每个参数都有其各自的方向。②走一小步，走得越快，方向偏离越多，可能就做错了路。③按照方向与步伐去更新参数。④重复执行1~3步。（速率为α）梯度下降方法梯度下降策略：随机梯度下降fromsklearn.linear_modelimportSGDRegressor批量梯度下降小批量梯度下降一次考虑所有样本一次只考虑一个样本每次迭代考虑部分样本SGDRegressor需要标准化测试数据任务小结多元线性回归实现（sklearn

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论