《机器学习Python实战》电子教案 06-1-项目4 线性回归预测模型构建_第1页
《机器学习Python实战》电子教案 06-1-项目4 线性回归预测模型构建_第2页
《机器学习Python实战》电子教案 06-1-项目4 线性回归预测模型构建_第3页
全文预览已结束

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

武汉软件工程职业学院教案（理论教学首页）（第1页）教案（理实一体化课）武汉软件工程职业学院教案（附页）（第NUMPAGES4页）课程名称机器学习授课内容项目4波士顿房价预测——基于线性回归 4.2.3岭回归模型的应用 4.2.4套索回归模型的应用 授课安排授课时数2授课对象人工智能技术应用专业大二学生授课方法讲授、问题式教学法授课教具Python3.7及后续版本、Anaconda、Jupyter教学目标思政目标：不同的回归模型结果不一样，大家在学习过程中一定要具体问题具体分析，看每种模型适合那种情况知识目标：掌握岭回归、套索回归模型的基本原理能力目标：使用岭回归、套索回归模型进行建模教学重点掌握岭回归、套索回归模型的训练方法教学难点岭回归、套索回归的参数调节【课前安排】（1）教师对学生们的疑问进行统一答疑。（2）回顾总结上节课内容，继续介绍本课时的内容。上机课介绍了线性回归算法的原理与用法，本节课介绍岭回归、套索回归模型。【导入新课】机器学习算法针对特定数据所训练出来的模型并非是十全十美的，再加上数据本身的复杂性，误差不可避免。说到误差，就必须考虑其来源：模型误差=偏差（Bias）+方差（Variance）+数据本身的误差。学习中出现错误问题是不可避免的，鼓励学生自主发现问题、分析问题和解决问题。（3）明确学习目标。使用L2正则化的线性模型——岭回归使用L1正则化的线性模型——套索回归【讲授新课】教师根据课件，介绍使用L2正则化的线性模型——岭回归模型的基本原理。-岭回归是一种用于共线性数据分析的有偏估计回归方法，是一种改良的最小二乘估计法；-通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价从而获得更符合实际、更可靠的回归系数，对病态数据（这样的数据中某个元素的微小变动会导致计算结果误差很大）的拟合效果比最小二乘法好。-岭回归通过在代价函数后面加上一个对参数的约束项（回归系数向量的l2范数与一个常数α的乘积，称作L2正则化）来防止过拟合。教师根据课件，讲解使用L1正则化的线性模型——套索回归。-Lasso(Leastabsoluteshrinkageandselectionoperator)方法是以缩小变量集（降阶）为思想的压缩估计方法。它通过构造一个惩罚函数，可以将变量的系数进行压缩并使某些回归系数变为0，进而达到变量选择的目的。-在数学表达上，Lasso类似于岭回归，也是在代价函数基础上增加了一个惩罚项的线性模型，区别在于Lasso的正则项为系数向量的l1范数与一个常数α的乘积（称作L1正则化）-Lasso是可以估计稀疏系数的线性模型，尤其适用于减少给定解决方案依赖的特征数量的场合。如果数据的特征过多，而其中只有一小部分是真正重要的，此时选择Lasso比较合适。教师根据课件，演示套索回归和岭回归的对比。【课堂小结】回顾上课前的学习目标，对本节课知识点进行总结。主要介绍岭回归、套索回归的基本原理。【课后安排】给学生布置随堂练习，检测学生的掌握程度，并对学生出现

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