在上一節中主要介紹了監督學習中的線性回歸（模型）、最小二乘法（策略）、梯度下降法（算法）及線性最小二乘法的標准方程（閉式解）。 這節主要介紹兩個回歸：局部加權回歸與邏輯回歸，其中穿插一些小的知識點：欠擬合與過擬合、感知機、牛頓方法等。大綱如圖： 一、幾個概念 ...

做線性回歸的時候，檢驗回歸方程和各變量對因變量的解釋參數很容易搞混亂，下面對這些參數進行一下說明： 1.t檢驗：t檢驗是對單個變量系數的顯著性檢驗 一般看p值； 如果p值小於0.05表示該自變量對因變量解釋性很強。 2.F檢驗：F檢驗是對整體回歸方程顯著性的檢驗，即所有變量 ...

局部加權回歸(Locally Weighted Regression, LWR) 局部加權回歸使一種非參數方法(Non-parametric)。在每次預測新樣本時會重新訓練臨近的數據得到新參數值。意思是每次預測數據需要依賴訓練訓練集，所以每次估計的參數值是不確定的。 局部加權回歸優點 ...

1. LOWESS 用kNN做平均回歸： \[\hat{f(x)} = Ave(y_i | x_i \in N_k(x)) \] 其中，\(N_k(x)\)為距離點x最近k個點組成的鄰域集合（neighborhood set）。這種鄰域平均回歸存在很多缺點： 沒有考慮到 ...

前言 回顧一下 回歸（一）中的 標准線性回歸： step1： 對於訓練集，求系數w，使得 最小 step2： 對於新輸入x，其預測輸出為w*x 從中我們知道，標准線性回歸可能表達能力比較差，出現如圖所示的欠擬合的情況（underfitting ...

線性回歸的一個問題可能是有可能出現欠擬合（如下圖所示樣本），因為它求的是具有最小均方誤差的無偏估計。如果模型欠擬合將不能取得最好的預測效果。所以有些方法允許在估計中引入一些偏差，從而降低預測的均方誤差。其中的一個方法是局部加權線性回歸。在該算法中，我們給待預測點附近的每一個點賦予一定的權重，在這 ...

目錄： 1、簡述 2、數學表達 3、總結 1、簡述 　　線性回歸是一種 parametric learning algorithm，而局部加權線性回歸是一種 non-parametric learning algorithm。Parametric learning ...

局部加權回歸(Locally Weighted Regression, LWR) 局部加權回歸使一種非參數方法(Non-parametric)。在每次預測新樣本時會重新訓練臨近的數據得到新參數值。意思是每次預測數據需要依賴訓練訓練集，所以每次估計的參數值是不確定的。 局部加權回歸優點 ...