{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":165,"pdf_page":181,"physical_index":181,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"08e6b08770ac539318e44a61bf930d5ac8ba5907c7eaab3bd0b986f9a82c63cb"},"chapter":"第6章","content":"6.1.1 线性回归\n\n线性回归可能是统计和机器学习领域最广为人知的算法之一。通过线性回归找到一组特定的权值，称为系数B。通过最能符合输入变量x到输出变量y关系的等式所代表的线表达出来。线性回归的例子如图6-2所示。\n\n例如， ${ \\bf y } = { \\bf b } _ { 0 } + { \\bf b } _ { 1 } * { \\bf x }$ 。我们针对输入的x来预测 $y _ { 0 }$ 线性回归学习算法的目标是找到 ${ \\sf b } _ { 0 }$ 和 $\\mathsf { b } _ { 1 }$\n\n的值。不同的技巧可以用于线性回归模型，比如线性代数的普通最小二乘法以及梯度下降优化算法。线性回归已经有超过200年的历史，已经被广泛地研究。根据经验，这种算法可以很好地消除相似的数据，以及去除数据中的噪声，是快速且简便的首选算法。\n\n6.1.2 逻辑回归\n\n逻辑回归是另一种从统计领域借鉴而来的机器学习算法。与线性回归相同，逻辑回归的目的是找出每个输入变量对应的参数值。不同的是，预测输出所用的变换是一个被称作logistic函数的非线性函数。logistic函数像一个大S，它将所有值转换为0到1之间的数，如图6-3所示。这很有用，我们可以根据一些规则将logistic函数的输出转换为0或1（比如，当小于0.5时则为1），然后以此进行分类。\n\n正是因为模型学习的这种方式，逻辑回归做出的预测可以被当作输入为0和1两个分类数据的概率值。这在一些需要给出预测合理性的问题中非常有用。就像线性回归，在需要移除与输出变量无关的特征以及相似特征方面，逻辑回归可以表现得很好。在处理二分类问题上，这是一个快速高效的模型。\n\n第6章 机器学习算法\n\n165","previous_page":null,"next_page":166}