人工智能基础与应用(第2版)(微课版)课件 3-2 认识线性回归_第1页
人工智能基础与应用(第2版)(微课版)课件 3-2 认识线性回归_第2页
人工智能基础与应用(第2版)(微课版)课件 3-2 认识线性回归_第3页
人工智能基础与应用(第2版)(微课版)课件 3-2 认识线性回归_第4页
人工智能基础与应用(第2版)(微课版)课件 3-2 认识线性回归_第5页
已阅读5页,还剩5页未读 继续免费阅读

付费下载

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

3-2认识线性回归模块❸线性回归:预测未来趋势目录CONTENTS线性回归的数学表达式01梯度下降法03线性回归的几个概念02一.线性回归的数学表达式定义及表达式线性回归(linearregression)是一种通过拟合自变量xi与因变量y之间的最佳线性关系,来预测目标变量的方法。如果上式中只包括一个自变量x和一个因变量y,且二者的关系可用一条直线近似表示,则这种回归分析被称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量xi,且因变量y和自变量xi之间是线性关系,则称其为多元线性回归分析。二.线性回归的几个概念1.方差衡量误差真实值:预测值:y二.线性回归的几个概念2.总平方和SST:衡量了所有观测值相对于整体均值的离散程度。其值越大,说明原始的样本本身具有越大的波动,这种波动反映了因变量的整体偏差。如何评价上述直线对真实值拟合的好坏程度二.线性回归的几个概念3.拟合优度R2:称为判断系数或拟合优度。由右式可知,线性回归方程以外的其他因素引起的误差SSE越小,R2就越接近1,表示此线性回归方程可以很好地解释因变量的变化;反之,如果SSE越大,接近总体偏差SST,R2就越接近0,说明此问题可能不适合采用线性回归模型解决。尽可能最小y=+三.梯度下降法1.定义‌梯度下降法:‌是一种用于求解函数最小值的优化算法。其基本思想是通过迭代的方式,沿着函数的负梯度方向逐步减小函数值,直到达到局部最小值。梯度下降法适用于求解无约束优化问题,常用于机器学习中的参数优化。损失函数L可以理解为系数b和w的函数,记为寻找损失函数L(b,w)的最小值的过程,实际就是按照某种方向,不断去微调b和w的值,一步一步尝试找到这个最小值。Min()三.梯度下降法2.求解过程三.梯度下降法3.线性回归解决问题一般步骤01根据问题构建一个线性回归模型,即构建一个函数。02用样本训练模型,使用梯度下降法调整模型参数,目标使损失函数最小。03重复步骤(2),直至找到损失函数的最小值。04用验证集测试模型的精度,评价指标常为均方误差MSE。05如预测结果不满意,则需要改进模型(如加大训练集、改变学习率等)。06回到步骤(2),重新训练模型,直至获得满意的模型。07利用自变量x

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。

评论

0/150

提交评论