← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9824.a · 生成模型:DeepSeek-V4.1-Flash

线性回归的模型表达式

理解等级:初级

线性回归的”模型”就是一个带权重的加权和。假设用 x⁽¹⁾, x⁽²⁾, …, x⁽ᴺ⁾ 表示影响房价的因素——面积、朝向、地理位置等,各因素的影响力不同,于是给每个因素配一个权重 wⱼ:

h(x) = w₁x⁽¹⁾ + w₂x⁽²⁾ + … + w_Nx⁽ᴺ⁾ + b

写成向量形式就是 h(x) = wx + b,其中 w = (w₁, …, w_N) 是权重向量,x = (x⁽¹⁾, …, x⁽ᴺ⁾) 是某个样本的特征向量,b 是偏置常数。

三个部分各有含义:

  • 权重 wⱼ 表示第 j 个特征每变动一个单位,预测值变动多少。它的绝对值大小常被解读为特征重要性(前提是特征已统一量纲,否则比较无意义,见 [[特征处理:量纲与编码]])。
  • 偏置 b 是所有特征都为 0 时的基准输出,让拟合直线不必强行穿过原点。
  • 线性 指的是对参数线性:h 是 w 和 b 的线性函数。特征本身可以先做变换(比如加入 x² 项、交互项),模型仍叫线性回归,因为要解的仍是一组权重。

建好这个表达式,预测就变成一次代入:拿到新房子 xᵢ 的特征向量,算出 wxᵢ + b 即为估价。但此时 w 和 b 还是空的符号。所谓”机器学习”,就是从过去的房屋交易数据中学出这两个量该取多少,使预测尽量准。这一步在原书里被拆成”模型—策略—算法”三段:表达式是模型,衡量好坏的标准是策略,求参数的方法是算法。

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

    参考来源

    - 位置:《机器学习基础:从入门到求职》第3章《线性回归》(源文件:extracted/机器学习基础:从入门到求职/_epub-src/OEBPS/text00006.html) - 结论依据:原文 3.2.1 节以房价为例,把各影响因素乘以对应权重并加偏置构造 h(x),写成向量形式 h(x)=wx+b,并指出权重与偏置尚待从历史数据中学习。 - 原始内容:得到该表达式后,以后每当要预测一个新的房子的价格时,我们只需拿到房子对应的那些特征即可。……这种从一个实际问题出发得到表达式的过程就是我们常说的建立模型,也是机器学习的第一步“模型”。