标签：方法 math 学习 inline mat 均方误差 连续 存在 机器
可解释性好。
存在序关系的属性可以转化为连续值，而不存在序关系的属性，若有 \(k\) 个属性值，则通常转化为 \(k\) 维向量。
例如：
属性“身高”的取值“高”、“矮”可以转化为 \(\{1.0,0.0\}\) ，而属性“瓜类”的取值“西瓜”、“南瓜”、“黄瓜”可以转化为 \((0,0,1),(0,1,0),(1,0,0)\) 。
线性回归试图使得 \(f(x_i)=wx_i+b\) 的值接近 \(y_i\) 的值。
关键在于如何衡量 \(f(x)\) 和 \(y\) 之间的差别。
均方误差是回归任务中最常用的性能度量，可以试图使得均方误差最小化。
均方误差拥有非常好的几何意义，对应了常用的欧几里得距离。
基于均方误差最小化来进行模型求解的方法称为“最小二乘法”。
求解 \(w\) 和 \(b\) 使得 \(E_(w,b)=\sum_{i=1}^{m}(y_i-wx_i-b)^2\) 最小化的过程，称为线性回归模型的最小二乘参数估计。
将\(E_(w,b)\) 对 \(w\) 和 \(b\) 求偏导，得到
//TODO
然后让上式为0就得到了 \(w\) 和 \(b\) 最优解的闭式解。
标签：方法 math 学习 inline mat 均方误差 连续 存在 机器
原文地址：https://www.cnblogs.com/KisekiPurin2019/p/12865617.html
