你将收获

理解回归、L2损失函数、L1损失函数、Huber损失函数、梯度下降、L2正则、L1正则等基本概念

掌握特征工程的常用处理方法

运用线性回归模型解决实际问题

适用人群

有一定数学和计算机编程基础,希望掌握机器学习中线性回归模型的学员。

课程介绍

本章介绍机器学习中的线性模型,并通过案例讲解如何使用线性模型。

学员评价

5.0
  • 0%
  • 0%
  • 0%
  • 0%
  • 0%

正在加载中...

同学笔记

  • baifeng01 2020-09-13 12:12:10

    来源:交叉验证与模型评估 查看详情

    K通常取3, 5, 10

  • qq_32068743 2020-05-07 23:33:39

    来源:线性回归简介 查看详情

     

    回归任务定义

         

    线性回归

    残差

    残差平方和

     

     

     

     

  • weixin_40031483 2020-04-21 20:39:44

    来源:过拟合 查看详情

    欠拟合(underfitting):过于简单的模型与训练数据拟合的欠佳(和测试数据自然也拟合的不好)

    过拟合(overfitting):过于复杂的模型与训练数据拟合得太好,但和测试数据拟合得不好。

    减弱模型过拟合的方法:

    1.增加数据量,改变(均值N,方差);(根据经验,如果是线性模型,数据量是参数的5-10倍时,可以取得很好效果)

    2.样本数量一定时,可以增加正则项减弱过拟合(如:目标函数中增加L2正则项,得到岭回归(Ridge Regression) )

    3.减少数据的噪声(改变方差)

没有更多了