选用基准回归模型的好处 基准回归命令

文章目录

• 一、前言
• 二、梯度下降理解算法

• 2.1 单变量线性回归
• 2.2 多变量线性回归
• 2.3 正则化

• 2.3.1 L2正则化（Ridge回归）
• 2.3.2 L1正则化（Lasso回归）

• 三、实验一详细代码案例

一、前言

本次实验我将分为两个部分进行讲解，第一部分用Numpy进行从零实现，对于算法公式尝试从零定义，深入理解线性回归的知识。

代码+数据集地址：

https://mbd.pub/o/bread/ZJWal5dx

二、梯度下降理解算法

2.1 单变量线性回归

数据集展示：

批量梯度下降的公式如下：

随机梯度下降函数也在每个训练迭代中输出一个代价，最后转换成向量，我们可以绘制，来直观的展现变化情况

需要注意的是，代价总是降低的，这是凸优化问题的一个例子

预测情况如下：

使用正规方程：

正规方程的推导过程：

2.2 多变量线性回归

数据拟合情况：

查看一下训练过程：

2.3 正则化

2.3.1 L2正则化（Ridge回归）

2.3.2 L1正则化（Lasso回归）

三、实验一详细代码案例