首页 > 其他 > 详细

回归问题

时间:2019-02-27 19:30:15      阅读:118      评论:0      收藏:0      [点我收藏+]

1、最大似然估计解释最小二乘

2、求解参数

为啥加入扰动可以保证参数可解

3、正则化  L1 L2  (加入正则项的目的是为了防止过拟合)

当参数过拟合数据时,得到的参数分布不均衡,可能存在前边的参数很大,后边的参数很小的情况,所以在目标函数中加入参数的平方和乘以一个系数,来保证参数均衡,不至于有太大参数出现。

Ridge回归,加入L2正则项

LASSO回归,加入L1正则项,能保证稀疏,可用于降维

Elastic Net,将L1和L2结合,分配系数

4、正则化与稀疏

5、SVD求解参数

如果X为方阵,并且可逆,则

5、随机梯度下降    批量梯度下降    mini-batch

6、线性回归到logistic回归到softmax回归

7、

回归问题

原文:https://www.cnblogs.com/Luckidmi/p/10415960.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!