摘要:本文主要向大家介绍了机器学习入门之【机器学习】线性回归——正规方程(多变量)的实现(Python版),通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助。
本文主要向大家介绍了机器学习入门之【机器学习】线性回归——正规方程(多变量)的实现(Python版),通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助。
【相关数学知识】
正规方程,实现线性回归的一种方式。该方式从统计学的角度对线性回归的实现进行了数学推导,你需要具备的知识主要包含如下几个方面:
上一篇博客,介绍的是梯度下降法实现的线性回归,主要基于单变量来实现代码,其实完全可以根据变量的个数构造多变量的梯度下降。本篇是线性回归的另一种实现方式,即基于多变量的正规方程。
【数学推导】
通过前面的两篇手记,我们可以这样认为,真实样本数据与预测值之间存在如下的关系:
y(i)=θTχ+ϵ(i)y^{(i)}= heta^{T}chi+epsilon^{(i)}y(i)=θTχ+ϵ(i)
其中ϵ(i)epsilon^{(i)}ϵ(i),表示真实结果与预测结果之间的误差。
前提条件
误差ϵ(i)epsilon^{(i)}ϵ(i)是独立并且具有相同分布,并且服从均值为0方差为θ2 heta^{2}θ2的高斯分布,图示如下:
推导过程
预测值与误差:y(i)=θTχ+ϵ(i)⋯(1)y^{(i)}= heta^{T}chi+epsilon^{(i)}qquad{cdots(1)}y(i)=θTχ+ϵ(i)⋯(1)
由于误差服从高斯分布:ρ(ϵ(i))=12πexp(−(ϵ(i))22σ2)⋯(2)ho(epsilon^{(i)})=_x00C_rac{1}{sqrt{2pi}}exp(-_x00C_rac{(epsilon^{(i)})^{2}}{2sigma^{2}}) qquad{cdots(2)}ρ(ϵ(i))=2π1exp(−2σ2(ϵ(i))2)⋯(2)
将(1)式带入(2)式可得:
ρ(y(i)∣χ(1);θ)=12πexp(−(y(i)−θTχ(i))22σ2)ho(y^{(i)}|chi^{(1)}; heta)=_x00C_rac{1}{sqrt{2pi}}exp(-_x00C_rac{(y^{(i)}- heta^{T}chi^{(i)})^{2}}{2sigma^{2}})ρ(y(i)∣χ(1);θ)=2π1exp(−2σ2(y(i)−θTχ(i))2)
似然函数:
L(θ)=∏i=1mρ(y(i)∣χ(1);θ)=∏i=1m12πexp(−(y(i)−θTχ(i))22σ2)L( heta)=prod_{i=1}^{m}ho(y^{(i)}|chi^{(1)}; heta)=prod_{i=1}^{m}_x00C_rac{1}{sqrt{2pi}}exp(-_x00C_rac{(y^{(i)}- heta^{T}chi^{(i)})^{2}}{2sigma^{2}})L(θ)=i=1∏mρ(y(i)∣χ(1);θ)=i=1∏m2π1exp(−2σ2<span class="mopen
本文由职坐标整理并发布,希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道!
您输入的评论内容中包含违禁敏感词
我知道了
请输入正确的手机号码
请输入正确的验证码
您今天的短信下发次数太多了,明天再试试吧!
我们会在第一时间安排职业规划师联系您!
您也可以联系我们的职业规划师咨询:
版权所有 职坐标-一站式IT培训就业服务领导者 沪ICP备13042190号-4
上海海同信息科技有限公司 Copyright ©2015 www.zhizuobiao.com,All Rights Reserved.
沪公网安备 31011502005948号