1. 程式人生 > >【基礎知識三】線性模型

【基礎知識三】線性模型

解決方法 最小 方法 不能 其余 比例 http 正則 註意

一、基本形式

通過屬性的線性組合來進行預測,

技術分享

許多非線性模型可以在線性模型的基礎上,引入層級結構或高維映射而得。

二、線性回歸

最小二乘法:求解ω和b;

多元線性回歸:樣本由多個屬性描述,即x為多維向量;

若矩陣不滿秩產生多個解,解決方法:引入正則化項;

三、對數/邏輯線性回歸

廣義線性模型:

技術分享

g(.)條件:連續且充分光滑(單調可微)

為了預測值連續,引入Sigmoid函數

技術分享

得到,

技術分享

極大似然估計:求解ω和b

四、線性判別分析LDA

也叫“Fisher判別”

將樣例投影到一條直線上,使同類樣例投影點盡可能接近,異類樣例投影點盡可能遠離;

技術分享

五、多分類策略

“一對一”

“一對其余” one vs rest/ one vs all

“多對多”

六、類別不平衡問題

假設 正例<反例

“再平衡”“再縮放”:根據正、反例比例調節閾值

對反例“欠采樣”

對正例“過采樣”

註意:這裏“欠采樣”與“過采樣”均有專門算法,不能簡單“隨機丟棄”或者“隨機重復”。

【基礎知識三】線性模型