吃瓜教程——datawhale10月组队学习

task02:概览西瓜书+南瓜书第3章

3.1 线性回归的基本形式

给定d个属性描述，可以通过属性线性组合来进行预测的函数

3.2 线性回归

3.2.1 一元线性线性回归
模型：线性模型
准则：均方误差最小
算法：最小二乘

假设x和y满足线性函数关系，使用x的值来预测y
即

这里，为了求出w和b，我们考虑衡量f(x)与y之间差别，使用均方误差来衡量，即让均方误差最小，为我们的优化准则。
求解过程中使用最小二乘法，分别对w和b求导，再令导数为0，求出w和b的闭式解：

3.2.2 多元线性回归
模型：线性模型
准则：均方误差最小
算法：梯度下降法/最小二乘
参照一元线性回归，我们这里，属性为多个，此时x对应的系数就为多个，记为w的转置，模型为：

同样的优化的准则为均方误差最小：

闭式解解法：

根据最小二乘法

求出得到的

最终

3.3 一般广义线性模型

3.4 对数几率回归

模型：非线性模型（）
准则：极大似然估计（类的取值概率乘积最大）
算法：梯度下降/牛顿法

3.5 线性判别分析（LDA）

模型：非线性
准则：类内协方差矩阵最小，类间向量均值最大
想要达到这个准则，即最大化目标，使用两者比值即可

推导过程：

3.6 多分类学习

可由二分类推广到多分类：
三种拆分方式：
ovo，ovr，mvm
对于ovo和ovr来说：

mvm:
对N 个类别做M 次划分， 每次划分将一部分类别划为正类，一部
分划为反类，从而形成一个二分类训练集;这样一共产生M 个训练集，可训练出M 个分类器.
使用海明距离或者欧式距离，取距离最小的作为判定的距离：