机器学习-线性回归优化模型的由来
2015-01-12 13:01
295 查看
线性回归模型中误差函数为平方和的由来。
预测结果
和真实结果
满足以下式子:
一般来讲,其中
服从高斯分布,误差满足平均值为0的高斯分布,即正态分布。
误差发生的概率即x和y的条件概率,所以
即一个样本的结果概率,我们想要的结果是能够在全部样本上的预测最准,也就是概率面积最大,所以想到最大似然估计。
此处补充最大似然估计定义:
设总体样本X的分布密度形式
已知,
未知(若X为离散变量,则概率密度
表示为
),其联合概率密度为
离散变量时为
一般对
取对数,在计算使其最大对应的
。
回到线性回归模型,最大似然估计,就是
因为
和
均为定值,所以最大化
,就是最小化
这个式子就是线性回归中我们要最小化的
,即最小二乘法。
预测结果
和真实结果
满足以下式子:
一般来讲,其中
服从高斯分布,误差满足平均值为0的高斯分布,即正态分布。
误差发生的概率即x和y的条件概率,所以
即一个样本的结果概率,我们想要的结果是能够在全部样本上的预测最准,也就是概率面积最大,所以想到最大似然估计。
此处补充最大似然估计定义:
设总体样本X的分布密度形式
已知,
未知(若X为离散变量,则概率密度
表示为
),其联合概率密度为
离散变量时为
一般对
取对数,在计算使其最大对应的
。
回到线性回归模型,最大似然估计,就是
因为
和
均为定值,所以最大化
,就是最小化
这个式子就是线性回归中我们要最小化的
,即最小二乘法。
相关文章推荐
- 机器学习(5)多项式回归:用基函数扩展线性模型
- 机器学习——线性模型之逻辑回归
- [置顶] 吴恩达机器学习笔记——指数分布族&广义线性模型&逻辑回归概率模型推导
- 机器学习教程 之 线性模型:线性回归、对数几率回归、线性判别分析
- python机器学习库sklearn——数据归一化、标准化、特征选择、逻辑回归、贝叶斯分类器、KNN模型、支持向量机、参数优化
- 机器学习(二)广义线性模型:逻辑回归与Softmax分类
- 机器学习——线性模型之回归与分类
- 小白学习机器学习---第三章:线性模型(2):对数几率回归
- 机器学习教程 之 支持向量机:模型篇4–核函数与非线性优化
- 机器学习 —— 基础整理(五)线性回归;二项Logistic回归;Softmax回归及其梯度推导;广义线性模型
- 机器学习笔记 - 线性模型与线形回归
- 机器学习与智能优化 之 线性模型
- 机器学习笔记(3)线性模型之线性回归
- 机器学习之线性回归(Linear Regission) 、 Logistic Regission
- Coursera2014 机器学习第一周 单变量线性回归
- Python机器学习——线性模型
- Python机器学习——线性模型
- 机器学习之svm(3)回归模型与神秘的核函数之间有什么联系吗?
- Python机器学习——线性模型
- 机器学习入门:线性回归及梯度下降