机器学习之-预测数值型数据:回归-具体怎么实现及应用
2017-03-30 18:01
567 查看
1、局部加权线性回归:
就是给样本集X中样本点x一个权重系数,常用的就是高斯核函数。
2、对于特征比样本点还多的情况怎么处理:
通过缩减系数来“理解”数据:
a)岭回归缩减法;
另:岭回归中的岭是什么:
b)lasso缩减法;
c)前向逐步回归缩减法。
另:逐步线性回归算的实际好处(优点):
它可以帮助人们理解现有的模型并作出改进,当构建了一个模型后,可以运行该算法找出重要的特征,这样就有可能及时停止对那些不重要特征的收集;如果用于测试,该算法每100次迭代后就可以构建出一个模型,可以使用类似于10折交叉验证的方法比较这些模型,最终选择使误差最小的模型。
3、当应用缩减方法(如逐步线性回归或岭回归)时,模型也就增加了偏差(bias),与此同时却减小了模型的方差。
4、方差与偏差:
方差指的是模型之间的差异,而偏差指的是模型预测值和数据之间的差异。
就是给样本集X中样本点x一个权重系数,常用的就是高斯核函数。
2、对于特征比样本点还多的情况怎么处理:
通过缩减系数来“理解”数据:
a)岭回归缩减法;
另:岭回归中的岭是什么:
b)lasso缩减法;
c)前向逐步回归缩减法。
另:逐步线性回归算的实际好处(优点):
它可以帮助人们理解现有的模型并作出改进,当构建了一个模型后,可以运行该算法找出重要的特征,这样就有可能及时停止对那些不重要特征的收集;如果用于测试,该算法每100次迭代后就可以构建出一个模型,可以使用类似于10折交叉验证的方法比较这些模型,最终选择使误差最小的模型。
3、当应用缩减方法(如逐步线性回归或岭回归)时,模型也就增加了偏差(bias),与此同时却减小了模型的方差。
4、方差与偏差:
方差指的是模型之间的差异,而偏差指的是模型预测值和数据之间的差异。
相关文章推荐
- 机器学习实战(8) ——预测数值型数据回归(python实现)
- 机器学习之-用k-均值聚类算法对未标注数据分组-具体怎么实现及应用
- 机器学习之-用k-均值聚类算法对未标注数据分组-具体怎么实现及应用
- 机器学习实战(八)预测数值型数据:回归
- 机器学习之-支持向量机-具体怎么实现及应用
- 机器学习之-使用FP-growth算法来高效发现频繁项集-具体怎么实现及应用
- 机器学习——预测数值型数据:回归
- 机器学习之-逻辑回归-具体怎么实现及应用
- 机器学习(五):回归方法——预测数值型数据
- 机器学习之-回归树-具体怎么实现及应用
- 机器学习之-使用Apriori算法进行关联并分析-具体怎么实现及应用
- 机器学习实战 - 读书笔记(08) - 预测数值型数据:回归
- 机器学习实战——第八章:用回归预测数值型数据
- 机器学习之-朴素贝叶斯-具体怎么实现及应用
- 机器学习之预测数值型数据: 回归
- 机器学习之-决策树-具体怎么实现及应用
- 机器学习之-Adaboost元算法-具体怎么实现及应用
- 机器学习实战——预测数值型数据:回归
- 机器学习实践之预测数值型数据--回归
- 预测数值型数据:回归(一)