电子科技大学研究生《机器学习》课程 第3讲线性模型 Lecture3 Linear Models 郝家胜(Jiasheng Hao) Ph.D.,Associate Professor Email:hao@uestc.edu.cn School of Automation Engineering,Center for Robotics University of Electronics and Science of China,Chengdu 611731 参考：《机器学习》周志华
电子科技大学研究生《机器学习》课程 Email: hao@uestc.edu.cn School of Automation Engineering, Center for Robotics University of Electronics and Science of China, Chengdu 611731 郝家胜 (Jiasheng Hao) Ph.D., Associate Professor 参考：《机器学习》周志华 第3讲 线性模型 Lecture3 Linear Models
线性模型 0. 分类 回归 电子科技大学研究生《机器学习》课程
电子科技大学研究生《机器学习》课程 线性模型 分类 回归
本章目标 ▣理解对数几率回归 ▣理解线性判别分析 口了解多分类学习 口了解类别不平衡问题 口掌握线性回归
q 理解线性判别分析 q 了解多分类学习 q 理解对数几率回归 q 掌握线性回归 q 了解类别不平衡问题
目录 口线性回归 ■最小二乘法 口二分类任务 ■ 对数几率回归 ■线性判别分析 口多分类任务 ■ 一对一 一对其余 ■ 多对多 ▣ 类别不平衡问题 电子科技大学研究生《机器学习》课程
电子科技大学研究生《机器学习》课程 目录 o 线性回归 n 最小二乘法 o 二分类任务 n 对数几率回归 n 线性判别分析 o 多分类任务 n 一对一 n 一对其余 n 多对多 o 类别不平衡问题
基本形式 口线性模型试图学得一个通过属性的线性组合来进行预测 的函数。 一般形式为 f (x)=w1x1 +W222 +...Waxd +b C三 (C1;x2;.·.;xd)是由属性描述的示例，其中C是C在第个属性上的 取值 口向量形式 f(x)=wx+b 其中w=(w1;w2;;wa) 电子科技大学研究生《机器学习》课程
电子科技大学研究生《机器学习》课程 基本形式 o 线性模型试图学得一个通过属性的线性组合来进行预测 的函数。 一般形式为 是由属性描述的示例，其中 是 在第 个属性上的 取值 o 向量形式 其中
线性模型优点 形式简单、易于建模，但却蕴含着一些重要的 基本思想 口可解释性强：w直观表达了各属性在预测中的 重要性 ▣非线性模型的基础 ■ 引入层级结构或高维映射 ▣一个例子 综合考虑色泽、根蒂和敲声来判断西瓜好不好 其中根蒂的系数最大，表明根蒂最要紧；而敲声的 系数比色泽大，说明敲声比色泽更重要 f好瓜(c)=0.2·x色泽十0.5·x根蒂十0.3·x敲声+1 电子科技大学研究生 《机器学习》课程
电子科技大学研究生《机器学习》课程 线性模型优点 o 形式简单、易于建模，但却蕴含着一些重要的 基本思想 o 可解释性强：w直观表达了各属性在预测中的 重要性 o 非线性模型的基础 n 引入层级结构或高维映射 o 一个例子 n 综合考虑色泽、根蒂和敲声来判断西瓜好不好 n 其中根蒂的系数最大，表明根蒂最要紧；而敲声的 系数比色泽大，说明敲声比色泽更重要
线性回归 ▣ 给定数据集D={(c1,y1),(c2,y2),.·,(cm,ym)} 其中c=(c1;x2;.;xd)∈R 口线性回归(linear regression)目的 学得一个线性模型以尽可能准确地预测实值输出标记 离散属性处理 ■有“序”关系 ▣连续化为连续值 无“序”关系 ▣有k个属性值，则转换为k维向量 电子科技大学研究生《机器学习》课程
电子科技大学研究生《机器学习》课程 线性回归 o 给定数据集 其中 ， o 线性回归（linear regression）目的 n 学得一个线性模型以尽可能准确地预测实值输出标记 o 离散属性处理 n 有“序”关系 p 连续化为连续值 n 无“序”关系 p 有k个属性值，则转换为k维向量
线性回归 ▣单一属性的线性回归目标 f(x)=wx:+b使得∫(x)≈y 口参数/模型估计：最小二乘法 (least sauare method) 10 .Data curve fit 9 (w",b)=argmin>(f (xi)-y:)2 8 (w,b) 2=1 6 argmin∑(-wax,-b)2 (w,b) i=1 电子科技大学研究生《机器学习》课程
电子科技大学研究生《机器学习》课程 线性回归 o 单一属性的线性回归目标 o 参数/模型估计：最小二乘法（least square method） 使得
线性回归-最小二乘法 ▣最小化均方误差 E(u,)=∑(g- wxi-b)2 i=1 口分别对和b求导，可得 =2∑-∑-4 ∂w 2=1 -(w--） ab 电子科技大学研究生《机器学习》课程
电子科技大学研究生《机器学习》课程 线性回归 - 最小二乘法 o 最小化均方误差 o 分别对 和 求导，可得
线性回归-最小二乘法 ▣得到闭式(closed-form)解 m ∑(x-) i=1 W= m -品 -1 m 品 （yi -wc） 其中 m 元 -IS Xi i=1 电子科技大学研究生《机器学习》课程
电子科技大学研究生《机器学习》课程 线性回归 - 最小二乘法 o 得到闭式（closed-form）解 其中
