前言 回顾一下 回归（一）中的 标准线性回归： step1： 对于训练集，求系数w，使得 最小 step2： 对于新输入x，其预测输出为w*x 从中我们知道，标准线性回归可能表达能力比较差，出现如图所示的欠拟合的情况（underfitting ...

线性回归的一个问题可能是有可能出现欠拟合（如下图所示样本），因为它求的是具有最小均方误差的无偏估计。如果模型欠拟合将不能取得最好的预测效果。所以有些方法允许在估计中引入一些偏差，从而降低预测的均方误差。其中的一个方法是局部加权线性回归。在该算法中，我们给待预测点附近的每一个点赋予一定的权重，在这 ...

目录： 1、简述 2、数学表达 3、总结 1、简述 　　线性回归是一种 parametric learning algorithm，而局部加权线性回归是一种 non-parametric learning algorithm。Parametric learning ...

算法特征:回归曲线上的每一点均对应一个独立的线性方程, 该线性方程由一组经过加权后的残差决定. 残差来源于待拟合数据点与拟合超平面在相空间的距离, 权重依赖于待拟合数据点与拟合数据点在参数空间的距离. 算法推导:待拟合方程:\begin{equation}\label{eq_1}h_ ...

线性回归 算法优缺点： 优点：结果易于理解，计算不复杂 缺点：对非线性数据拟合不好 适用数据类型：数值型和标称型 算法思想： 这里是采用了最小二乘法计算（证明比较冗长略去）。这种方式的优点是计算简单，但是要求 ...

机器学习-线性回归 本文代码均来自于《机器学习实战》 分类算法先说到这里，接下来说一个回归算法 线性回归 线性回归比较简单，就不怎么说了，要是模型记不得了就百度一下吧，这里列一下公式就直接上代码了 线性回归的一个问题就是可能会出现欠拟合现象，因为它求的是具有最小均方误差 ...

通常我们使用的最小二乘都需要预先设定一个模型，然后通过最小二乘方法解出模型的系数。 而大多数情况是我们是不知道这个模型的，比如这篇博客中z=ax^2+by^2+cxy+dx+ey+f 这样的模型。 局部加权线性最小二乘就不需要我们预先知道待求解的模型，因为该方法是基于多个线性函数的叠加，最终 ...

在上一节中主要介绍了监督学习中的线性回归（模型）、最小二乘法（策略）、梯度下降法（算法）及线性最小二乘法的标准方程（闭式解）。 这节主要介绍两个回归：局部加权回归与逻辑回归，其中穿插一些小的知识点：欠拟合与过拟合、感知机、牛顿方法等。大纲如图： 一、几个概念 ...