1、基本形式
x=(x1;x2;x3;..;xd) xi是x在第i个属性上的取值。


非线性模型在线性模型基础上通过引入层级结构或高维映射而得。由于w直观表达了各属性在预测上的重要性,所以线性模型有很好的可解释性。
例如: f好瓜(x)=0.2*x色泽+0.5*x瓜蒂+0.3*x敲声+1
瓜蒂>敲声>色泽
2、线性回归
数据集D={(x1,y1),(x2,y2),...,(xm,ym)},其中xi=(xi1;xi2;...;xid)
线性回归
x=(x1;x2;x3;..;xd) xi是x在第i个属性上的取值。
非线性模型在线性模型基础上通过引入层级结构或高维映射而得。由于w直观表达了各属性在预测上的重要性,所以线性模型有很好的可解释性。
例如: f好瓜(x)=0.2*x色泽+0.5*x瓜蒂+0.3*x敲声+1
瓜蒂>敲声>色泽
数据集D={(x1,y1),(x2,y2),...,(xm,ym)},其中xi=(xi1;xi2;...;xid)
线性回归
本文标题:第3章 线性模型
本文链接:https://www.haomeiwen.com/subject/ixczvftx.html
网友评论