深圳网站定制建设,针对不同网站的cdn加速,定制网站建设服务公司,提升自己网站目录 一、线性回归
1、回归的概念#xff08;Regression、Prediction#xff09;
2、符号约定
3、算法流程
4、最小二乘法#xff08;LSM#xff09;
二、梯度下降
梯度下降的三种形式
1、批量梯度下降#xff08;Batch Gradient Descent,BGD#xff09;#xff…目录 一、线性回归
1、回归的概念Regression、Prediction
2、符号约定
3、算法流程
4、最小二乘法LSM
二、梯度下降
梯度下降的三种形式
1、批量梯度下降Batch Gradient Descent,BGD
2、随机梯度下降Stochastic Gradient Descent,SGD
3、小批量梯度下降Mini-Batch Gradient Descent,MBGD 梯度下降与最小二乘法比较
梯度下降
最小二乘法
数据归一化/标准化
为什么要标准化/归一化
归一化最大 - 最小规范化
Z-Score标准化
需要做数据归一化/标准化
不需要做数据归一化/标准化
三、正则化
1、过拟合和欠拟合 2、过拟合的处理
3、 欠拟合的处理 4、正则化
四、回归的评价指标 一、线性回归
1、回归的概念Regression、Prediction 如何预测上海浦东的房价未来的股票市场走向 线性回归Linear Regression是一种通过属性的线性组合来进行预测的线性模型其目的是找到一条直线或者一个平面或者更高维的超平面使得预测值与真实值之间的误差最小化。
2、符号约定
m 代表训练集中样本的数量n 代表特征的数量x 代表特征/输入变量y 代表目标变量/输出变量(x,y) 代表训练集中的样本(x^(i),y^(i)) 代表第i个观察样本ℎ 代表学习算法的解决方案或函数也称为假设hypothesiŝ┬yℎ(x),代表预测的值 建筑面积 总层数 楼层 实用面积 房价 143.7 31 10 105 36200 162.2 31 8 118 37000 199.5 10 10 170 42500 96.5 31 13 74 31200 …… …… …… …… ……
x^(i)是特征矩阵中的第i行是一个向量。
x_j^(i)代表特征矩阵中第 i 行的第 j 个特征
3、算法流程 损失函数(Loss Function): 度量单样本预测的错误程度损失函数值越小模型就越好。常用的损失函数包括0-1损失函数、平方损失函数、绝对损失函数、对数损失函数等。 代价函数(Cost Function): 度量全部样本集的平均误差。常用的代价函数包括均方误差、均方根误差、平均绝对误差等。 目标函数(Objective Function): 代价函数加正则化项最终要优化的函数。 x 和 y 的关系
可以设x_01则
损失函数采用平方和损失
要找到一组 w(w_0,w_1,w_2,...,w_n)
4、最小二乘法LSM
要找到一组 w(w_0,w_1,w_2,...,w_n) 使得残差平方和最小。转为矩阵表达形式令 其中X为m行n1列的矩阵m为样本个数n为特征个数w为n1行1列的矩阵(包含了w_0)Y为m行1列的矩阵则 注可由数学推导 为最小化接下来对J(w)偏导 由于中间两项互为转置: 需要用到以下几个矩阵的求导结论: 二、梯度下降 梯度下降的三种形式
1、批量梯度下降Batch Gradient Descent,BGD
梯度下降的每一步中都用到了所有的训练样本 2、随机梯度下降Stochastic Gradient Descent,SGD
度下降的每一步中用到一个样本在每一次计算之后便更新参数 而不需要首先将所有的训练集求和 3、小批量梯度下降Mini-Batch Gradient Descent,MBGD
梯度下降的每一步中用到了一定批量的训练样本
每计算常数b次训练实例便更新一次参数 w b1随机梯度下降,SGD bm批量梯度下降,BGD bbatch_size通常是2的指数倍常见有32,64,128等。小批量梯度下降,MBGD 梯度下降与最小二乘法比较
梯度下降 需要选择学习率α需要多次迭代当特征数量n大时也能较好适用适用于各种类型的模型。 最小二乘法 不需要选择学习率α一次计算得出需要计算(X^TX)^−1如果特征数量n较大则运算代价大因为矩阵逆的计算时间复杂度为O(n^3)通常来说当n小于10000 时还是可以接受的只适用于线性模型不适合逻辑回归模型等其他模型。 数据归一化/标准化
为什么要标准化/归一化
提升模型精度不同维度之间的特征在数值上有一定比较性可以大大提高分类器的准确性。
加速模型收敛最优解的寻优过程明显会变得平缓更容易正确的收敛到最优解。
归一化最大 - 最小规范化 将数据映射到[0,1]区间
数据归一化的目的是使得各特征对目标变量的影响一致会将特征数据进行伸缩变化所以数据归一化是会改变特征数据分布的。
Z-Score标准化 处理后的数据均值为0方差为1
数据标准化为了不同特征之间具备可比性经过标准化变换之后的特征数据分布没有发生改变。
就是当数据特征取值范围或单位差异较大时最好是做一下标准化处理。
需要做数据归一化/标准化 线性模型如基于距离度量的模型包括KNN(K近邻)、K-means聚类、感知机和SVM。另外线性回归类的几个模型一般情况下也是需要做数据归一化/标准化处理的。 不需要做数据归一化/标准化 决策树、基于决策树的Boosting和Bagging等集成学习模型对于特征取值大小并不敏感如随机森林、XGBoost、LightGBM等树模型以及朴素贝叶斯以上这些模型一般不需要做数据归一化/标准化处理。 三、正则化
1、过拟合和欠拟合 2、过拟合的处理
1.获得更多的训练数据 使用更多的训练数据是解决过拟合问题最有效的手段因为更多的样本能够让模型学习到更多更有效的特征减小噪声的影响。 2.降维 即丢弃一些不能帮助我们正确预测的特征。可以是手工选择保留哪些特征或者使用一些模型选择的算法来帮忙例如PCA。 3.正则化 正则化(regularization)的技术保留所有的特征但是减少参数的大小magnitude它可以改善或者减少过拟合问题。 4.集成学习方法 集成学习是把多个模型集成在一起来降低单一模型的过拟合风险。 3、 欠拟合的处理
1.添加新特征 当特征不足或者现有特征与样本标签的相关性不强时模型容易出现欠拟合。通过挖掘组合特征等新的特征往往能够取得更好的效果。 2.增加模型复杂度 简单模型的学习能力较差通过增加模型的复杂度可以使模型拥有更强的拟合能力。例如在线性模型中添加高次项在神经网络模型中增加网络层数或神经元个数等。 3.减小正则化系数 正则化是用来防止过拟合的但当模型出现欠拟合现象时则需要有针对性地减小正则化系数。 4、正则化 其中 λ为正则化系数调整正则化项与训练误差的比例λ0。1≥ρ≥0为比例系数调整L1正则化与L2正则化的比例。 图上面中的蓝色轮廓线是没有正则化损失函数的等高线中心的蓝色点为最优解左图、右图分别为L1、L2正则化给出的限制。
可以看到在正则化的限制之下, L1正则化给出的最优解w*是使解更加靠近原点,也就是说L2正则化能降低参数范数的总和。
L1正则化给出的最优解w*是使解更加靠近某些轴,而其它的轴则为0,所以L1正则化能使得到的参数稀疏化。
四、回归的评价指标
均方误差Mean Square Error,MSE 均方根误差 RMSE(Root Mean Square Error,RMSE)
平均绝对误差Mean Absolute Error,MAE R方 [RSquared(r2score)]
越接近于1,说明模型拟合得越好
