机器学习西瓜书笔记---3.1、线性模型基本形式

机器学习西瓜书笔记---3.1、线性模型基本形式

一、总结

一句话总结：

一般形式：$$f ( x ) = w _ { 1 } x _ { 1 } + w _ { 2 } x _ { 2 } + \ldots + w _ { d } x _ { d } + b$$

向量形式：$$f ( x ) = w ^ { T } x + b，其中w为w = ( w _ { 1 } ; w _ { 2 } ; \ldots ; w _ { d } )$$

 

1、线性模型的意义？

【可得非线性模型】：线性模型形式简单、易于建模，但却蕴含着机器学习中一些重要的基本思想。许多功能更为强大的非线性模型（monlinear model）可在线性模型的基础上通过【引入层级结构或高维映射】而得.

【解释性好】：此外，由于w直观表达了各属性在预测中的重要性，因此线性模型有很好的可解释性（comprehensibility）.例如若在西瓜问题中学得【“好瓜（x）=02·色泽+0.5·根蒂+0.3·敲声+1”】，则意味着可通过综合考虑色泽、根蒂和敲声来判断瓜好不好，其中根蒂最要紧，而敲声比色泽更重要

 

 

 

二、内容在总结中

博客对应课程的视频位置：