regression与线性回归（linear regression）

线性回归（linear regression）：

  • 有监督学习 => 学习样本为D={(xi,yi)}ª
  • 输出/预测的结果yi为连续值变量
  • 需要学习映射f：x～y
  • 假定输入x和输出y之间有线性相关关系  　　

 

损失函数(loss function)

我们要找到最好的权重/参数Θ

怎么去衡量“最好”? 定义损失函数 

 

最小化损失函数 梯度下降（Gradient descend）

逐步最小化损失函数的过程

如同下山，找准方向(斜率)，每次迈进一小步，直至山底

 

找到合适的学习率（步长），再进行训练，否则特征多，样本的多的情况下成本会很大的。

数学和工程区别是工程找到大致可用的就可以了，数学是找打最优解。

特征的工作，耗时很多。

工业界最多的解决的是分类问题。

线性回归不适合做分类，不够坚定，受噪声影响大。

用得到的y值划定阈值来分类

 

逻辑回归：把负无穷到正无穷压缩到0～1之间（可以看作概率域分布）

常用sigmoid函数映射

把线性回归转变成分类问题，找出一条判定边界

 

线性的判定边界