- 线性回归用于预测，以及建立变量之间是否有关系
- 找损失方程解有两种方法
-
第一种，标准方程normal equation
image.png
image.png - 第二种，梯度下降Gradient Descent
- 针对凸方程和非凸方程的梯度下降
- 若是凸方程，则全局最小值能确认被找到
- 若是非凸方程，（实际情况中，多是非凸问题），常常找到的是本地最小值。且不同的起始点，会有不同的本地最小值。
- 梯度下降优缺点
- 优点，即使特征值数量很大，仍能找到最小值
- 缺点， 需要寻找learning rate，多次迭代
- 标准方程优缺点
- 优点：无需确认learning rate，无需迭代，当特征值数量小的时候，起作用
-
缺点：需要矩阵运算，如果特征值很大，则相关的矩阵运算很费时。
image.png
- Feature scaling特征缩放
- 使用梯度下降寻找最小损失时，需要考虑数据的尺寸范围，若数值范围相差很大，则很难收敛。
-
特征缩放法1： min-max normalization
image.png
-min-max标准化将数据缩放到固定的[0,1]范围
特征缩放法2： Z-score normalization/standardization
image.png - Z-score产生均值为0，方差为1的数据分布
- Z-score标准化方法通常不会被限于某一范围，这对神经网络就不太适用，因为神经网络希望值的范围是[0,1]
-Z-score很少受outliers的影响
- 创建新特征
- 定义：基于已有的特征，创建新的特征，这样就减少了特征的数量（在multiple linear regression中，即多个变量）
-
Multicollinearity多重共线性
-定义：回归中，预测器之间互相影响；换句话说，你的模型有许多互相相关的变量，那么这些变量就有些多余了。
image.png
举例，上图中，房价，人口数量，总收入，就业率这四者之间互相相关。
- 多重共线性是回归分析中重要的问题之一，它导致不稳定的参数估计，且造成标准差急速增加。
- 多项式回归polynomial regression
- 简单的线性回归不能表示数据，就可以使用多项式回归，但也会遇到过拟合问题
- 解决过拟合问题的方法： 1）较少模型复杂度，即减少多项式的变量； 2）使用L1/L2 正则化 ； 3）用更多的数据。
