正规方程 Normal Equation
正规方程 Normal Equation
前几篇博客介绍了一些梯度下降的有用技巧,特征缩放(详见http://blog.csdn.net/u012328159/article/details/51030366)和学习率(详见http://blog.csdn.net/u012328159/article/details/51030961)。在线性回归中。为了求得參数
的最优值,一般採用梯度下降和本文将要介绍的正规方程(normal
equation)。
相比較梯度下降採用多次迭代逼近的方式。normal equation採用矩阵运算能够直接求解出參数。先介绍下什么是normal equation,如果一个数据集X有m个样本,n个特征。则如果函数为:
。数据集X的特征向量表示为:
若希望如果函数可以拟合Y,则
。又由于
,所以可以通过矩阵运算求出參数
。
熟悉线性代数的同学应该知道怎么求出參数
。可是前提是矩阵X存在逆矩阵
。
但仅仅有方阵才有可能存在逆矩阵(不熟悉定理的同学建议去补补线性代数),因此能够通过左乘 使等式变成
,因此
,有同学可能会有疑问
不一定存在啊,确实是,可是
极少不存在,后面会介绍
不存在的处理方法,先别着急。如今你仅仅须要明确为什么
就能够了。而且记住。
介绍完normal equation求解參数
,我们已经知道了两种求解參数
的方法。normal
equation和梯度下降。如今来对照下这两种方法的优缺点以及什么场景选择什么方法。
详细见下表吧:
回到上面说的
不一定存在,这样的情况是极少存在的。假设
不可逆了,一般要考虑一下两者情况:
(1) 移除冗余特征。一些特征存在线性依赖。
(2) 特征太多时,要删除一些特征。比如(m<n),对于小样本数据使用正则化。
posted on 2017-08-03 16:38 cynchanpin 阅读(3309) 评论(0) 编辑 收藏 举报