← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9773 · 生成模型:DeepSeek-V4.1-Flash

多元回归把自变量堆成向量

理解等级:中级

多元回归把每个样本写成向量 x = [1, x1, …, xk],第一个分量固定为 1 用来吸收常数项 α;参数也写成等长向量 β = [α, β1, …, βk],预测就是点积 dot(x, β)。这样做的价值是把“k 个自变量”统一成一次矩阵与向量的乘法:误差、梯度、惩罚项的表达式都不再随变量个数改写,代码里也不用为每个系数单独开变量。类别属性可以通过虚拟变量进入同一个向量,例如“有博士学位”记 1、没有记 0。代价是常数项必须靠那一列 1 显式提供,漏掉它就等于强制回归面过原点,所有预测会整体偏移。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第15章 多元回归 · 查看原书依据

      回想一下,在第 14 章中,我们拟合的模型形式如下所示: 现在,如果每个输入 不是单个数,而是由 个数 组成的向量,则多元回归模型假设:

    参考来源

    - 位置:《数据科学入门(第2版)》第15章 多元回归(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0019.xhtml) - 结论依据:原文这一段直接给出本卡的核心判断:「回想一下,在第 14 章中,我们拟合的模型形式如下所示: 现在,如果每个输入 不……」 - 原始内容:回想一下,在第 14 章中,我们拟合的模型形式如下所示: 现在,如果每个输入 不是单个数,而是由 个数 组成的向量,则多元回归模型假设: