| |
|
开发:
C++知识库
Java知识库
JavaScript
Python
PHP知识库
人工智能
区块链
大数据
移动开发
嵌入式
开发工具
数据结构与算法
开发测试
游戏开发
网络协议
系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程 数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁 |
-> 人工智能 -> 机器学习回归 -> 正文阅读 |
|
[人工智能]机器学习回归 |
线性回归线性模型中我们假设自变量x与因变量y存在线性关系,预测值是各个观测值加权和再加上一定的噪声,其中我们假设噪声满足高斯分布。 y^=w1x1+...+wdxd+b 我们要找的一组参数使得预测值与真实值之间的误差最小,用损失函数来衡量模型与数据的拟合程度。 衡量error的方式有很多其中最常见的有平方损失误差,绝对损失误差,交叉熵等。 有了模型与损失函数,又因为这是一个凸函数就可以使用梯度下降来再到最优解,或直接利用线性代数知识找到闭式解。 在高斯分布的假设下,极大似然估计与均方最小误差结果一致。 当然线性模型实在是过于简单,一般使用两层神经网络就可以实现,输入层与输出层。 想要使模型的拟合能力增强,可以增加参数给模型更多的输入信息,或者是增加层数,这两个方式一个是使神经网络更宽,一个是使其更深。模型变复杂的带来的好处是具有更强的拟合能力降低了欠拟合,但也加大了过拟合的风险,在损失函数三加入正则项一般是二范式,加强模型的泛化能力。 |
|
|
上一篇文章 下一篇文章 查看所有文章 |
|
开发:
C++知识库
Java知识库
JavaScript
Python
PHP知识库
人工智能
区块链
大数据
移动开发
嵌入式
开发工具
数据结构与算法
开发测试
游戏开发
网络协议
系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程 数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁 |
360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 | -2024/11/27 19:35:50- |
|
网站联系: qq:121756557 email:121756557@qq.com IT数码 |