特征降维以及对比正规方程法和梯度下降法
特征降维
通过定义一个新的特征,可以得到一个更好的模型
对于一些不适合使用线性拟合方式的例子,可以通过使用将一个参数即面积的平方,立方看做不同的参数,然后将其看做多元线性拟合,但是其中就需要注意特征缩放了
正规方程法
单元线性回归:
对于线性函数,只需要对函数进行求导,令导函数为0就能得到代价函数最后的最低点
多元线性回归
参数不再是一个实数。而是一个向量。通过对向量里面每一个参数求偏导,得出偏导等于0的参数值,最后就能得到所求的最小值的向量大小
求偏导的方法太过于繁杂,就有了正规矩阵法
在所有的参数即特征值前面加上一列1,
得到的向量就是最优解
构造方法,m个向量,n个特征值,得到的矩阵是m行,n+1列的矩阵
正规矩阵法和梯度下降法对比:
梯度下降法缺点:你需要选择合适的学习率,不合适的学习率对模型影响很大
需要多次迭代才能得到最优解
优点:大数量的特征值也能很适应
正规矩阵法缺点:需要计算(xTx)-1
N特别大的时候,计算时间以三次方的速度增加
建议特征值一万以上使用前者
如果正规矩阵法公式中,xTx不可逆怎么办
计算广义逆结果是一样的
如果特征值个数n大于等于样本数量m,即n+1>m就不能使用正规矩阵法,应该删除部分特征,合并线性相关的特征或者使用正规化方法
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· TypeScript + Deepseek 打造卜卦网站:技术与玄学的结合
· Manus的开源复刻OpenManus初探
· AI 智能体引爆开源社区「GitHub 热点速览」
· 从HTTP原因短语缺失研究HTTP/2和HTTP/3的设计差异
· 三行代码完成国际化适配,妙~啊~