内容简介:线性回归背后的数学
本文是YouTube上视频 How to Do Linear Regression the Right Way 笔记
假设我们有一堆数据,并且他们是线性相关的,那我们怎么找出最合适的那条直线呢?
此处关键是定义什么是最合适?可以通过每个点到直线的距离来定义整个合适,如图:
在上面的过程中,直线 y=mx+b
中m和b不管变化,从而找到最合适的直线,这个判断的依据就是:
上面公式的含义是:假设点是(x,y),那相同x的直线上的点就是:(x,mx+b),而这两者之间的距离就是(y-(mx+b)),为了防止出现负数,因此我们就计算了平方,有了这个衡量的标准后,我们就可以画出上面公式的一个图了:
此处画出来是一个立体图,我们要找的一个最佳的直线,对应到图中其实就是一个最低点,更形象的例子是:
如果我们此时放一个弹珠到碗里,最终弹珠停下来的点就是我们要找的最佳点,现在我们没有弹珠,我们要怎么找到这个最佳点呢?这就要讲到偏导数(partial derivatives)的概念了,以前大学里学偏导数的是时候一直不明白为什么叫偏导,直到最近看到英文:partial derivatives才明白,我们来看图:
图中的函数f是一个表面,如果我们固定住y,则是一个曲线,如图中绿色的线,此时我们在计算点(a,b,f(a,b))在绿色线上的斜率,就可以得到沿着x方向的斜率了,同样的我们固定x,就可以得到y方向的斜率,这样子解释,英文partial derivatives就很形象了,即计算的部分的斜率,合在一起才是曲面上这个点相切的一个平面。
由此我们就有了偏导数:
根据上面的这些我们就有了最后的代码: https://github.com/llSourcell/linear_regression_live
疑问:
一些视频的中的词汇记录:
back of your hand:了如指掌
gradient descent:梯度下降
partial derivatives:偏导数
calculus:微积分
correlation:相关性
intercept:截断
slope:斜率
Convergence:收敛
slope formula:斜率公式
magnitude:大小
with respect to:关于
tangent:切线
好书推荐:Machine Learning and Probabilistic Approach
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
谷歌时代的柏拉图
[美] 丽贝卡·戈尔茨坦 / 李鹏程 / 中信出版集团·新思文化 / 2017-12-10 / 69.00元
我愿意用我所有的科技去换取和苏格拉底相处的一个下午。 ——史蒂夫•乔布斯 谷歌时代,科技昌明,众声喧哗,哲学提出的许多问题,科学似乎都已经给出了答案。若是如此,为什么我们今天还需要哲学?这个由古希腊城邦时代的哲人苏格拉底和柏拉图开创的学科,真的过时了吗? 已经2400岁 的柏拉图对此有话要说。哲学家兼小说家、美国国家人文奖章获得者戈尔茨坦史海钩沉,从经典著作中复活了柏拉图,让他来......一起来看看 《谷歌时代的柏拉图》 这本书的介绍吧!