Linear Regression Simple Ridge Lasso Multiple Polynomial:此仓库包含线性回归 简单岭套索多重多项式可视化
线性回归简单里奇套索套多项式 此仓库包含线性回归-简单,岭,套索,多重,多项式,可视化多重等。 线性回归: 我们具有作为自变量的特征,目标变量依赖于此。 y = mx + b(传统的斜率截距形式,其中m和b是我们的算法将尝试“学习”以产生最准确的预测的变量。x输入y预测。) 多元:f(x,y,z)= w1x + w2y + w3z 成本函数:我们需要找到最佳拟合线。 可能有很多线,但是下注匹配线的误差最小。 MSE = 1 / N ∑i = 1-> n(yi-(mxi + b))^ 2 我们的目标是最小化MSE,以提高模型的准确性。 梯度下降:为了最小化MSE,我们使用梯度下降来计算成本函数的梯度。 到达全球最低要求。 使用会聚定理慢慢到达。 学习率(α)应该准确。 选择α小。 如果α大,我们可能会超调。 在线性回归的情况下,由于训练数据较少,成本函数可以将训练
下载地址
用户评论