Pythong梯度下降线性回归计算不好
梯度下降是一种常用的优化算法，用于求解机器学习中的参数最优化问题。在线性回归中，梯度下降可以用来求解最小二乘法的参数估计。
梯度下降的基本思想是通过迭代的方式，不断调整参数的取值，使得目标函数的值逐渐趋近于最小值。在每一次迭代中，根据目标函数的梯度信息，更新参数的取值，直到达到收敛条件。
Python提供了丰富的机器学习库和工具，可以方便地实现梯度下降算法。其中，NumPy库提供了高效的数值计算功能，可以用于处理矩阵运算；而Scikit-learn库则提供了丰富的机器学习算法和工具，包括线性回归模型。
在使用Python进行梯度下降线性回归计算时，可以按照以下步骤进行：
- 导入所需的库和模块：
import numpy as np
from sklearn.linear_model import LinearRegression- 准备数据集，包括输入特征和对应的目标值：
X = np.array([[1], [2], [3], [4]]) # 输入特征
y = np.array([2, 4, 6, 8]) # 目标值- 创建线性回归模型对象，并进行训练：
model = LinearRegression()
model.fit(X, y)- 获取模型参数：
coef = model.coef_ # 斜率
intercept = model.intercept_ # 截距- 进行预测：
y_pred = model.predict(X)梯度下降线性回归的优势在于可以处理大规模的数据集，并且具有较好的泛化能力。它适用于各种回归问题，如房价预测、销量预测等。
腾讯云提供了多个与机器学习和云计算相关的产品和服务，可以帮助开发者进行模型训练和部署。其中，腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）提供了丰富的机器学习算法和模型训练工具；腾讯云云服务器（https://cloud.tencent.com/product/cvm）提供了高性能的计算资源，可用于进行大规模数据处理和模型训练；腾讯云对象存储（https://cloud.tencent.com/product/cos）提供了可靠的数据存储服务，方便存储和管理训练数据。
总结起来，梯度下降是一种常用的优化算法，用于求解机器学习中的参数最优化问题。Python提供了丰富的机器学习库和工具，可以方便地实现梯度下降线性回归计算。腾讯云提供了多个与机器学习和云计算相关的产品和服务，可用于支持机器学习模型的训练和部署。
相关·内容
我阅读了Andrew NG的机器学习教程，在线性回归中遇到了梯度下降。当我尝试使用Python查找同样的内容时，我在youtube教程中找到了：
这里使用最佳拟合斜率进行线性回归。请建议什么时候使用哪一个？最优拟合或相似过程能用于高次多项式吗?能用于多元线性回归吗？
向Souvik Saha Bhowmik致敬
浏览 2提问于2016-10-20得票数 0
1回答
在机器学习的coursera课程中，它说梯度下降应该收敛。
我使用的是scikit learn中的线性回归。它不提供梯度下降信息。我在stackoverflow上看到了很多关于使用梯度下降实现线性回归的问题。
我们如何在现实世界中使用scikit-learn中的线性回归？或者为什么scikit-learn不在线性回归输出中提供梯度下降信息？
浏览 0提问于2015-12-26得票数 26
回答已采纳
2回答
在线性回归中，为什么我们通常使用RMSE而不是MSE？我所知道的基本原理是，通过梯度下降来最小化RMSE中的错误而不是MSE中的错误是容易的，但是我需要知道确切的原因。
浏览 0提问于2020-01-19得票数 3
回答已采纳
2回答
我试图理解“反向传播”，因为它是使用梯度下降优化的神经网络。读一读文学作品，似乎做了几件事。
使用随机权重开始并获取错误值。
对损失函数执行梯度下降，使用这些权重来获得新的权重。
用这些新的权重更新权重，直到损失函数最小化为止。
上述步骤似乎是线性模型的精确求解过程(例如，回归)。安德鲁·吴的“机器学习课程”与线性回归课程完全一样。
所以，我想弄清楚BackPropagation对损失函数是否做了比梯度下降更多的事情。如果没有，为什么只在神经网络中引用，为什么不引用GLMs (广义线性模型)。他们似乎都在做同样的事-我可能错过了什么？
浏览 11提问于2016-06-28得票数 4
回答已采纳
我们知道如何用梯度下降来确定回归参数。如果
📷
成本函数为C=|Y-Y(X)|^2，我们将b更新为
📷
哪里
📷
是学习率和
📷
是成本函数C相对于b的偏微分。
如果在多元回归中存在一种相互作用，并且我们希望坚持线性模型公式(不使用树或其他非线性回归器)，那么
📷
成本函数仍然是一样的，我们是否只是用相同的方式更新b呢？即相互作用项的存在对梯度下降没有影响。我没有看到有或没有相互作用的梯度下降的任何差异。
浏览 0提问于2018-02-16得票数 3
回答已采纳
根据我的理解，线性回归被用来预测一个基于输入的输出，它使用一个线性方程来最优地拟合一些输入数据。利用损失函数对输入数据选择最佳拟合线性方程。通过模拟y= mx +b中m和b的值，可以找到具有梯度下降的最优线性方程组。
我的问题是，梯度下降总是找到线性回归的全局最小损失吗？这个问题的一个扩展是，对前一个问题的答案不取决于所使用的损失函数吗？此外，当我们在m，b的图上使用梯度下降以及损失函数的值时，如果我们使用线性回归，该图是否总是凸的？
浏览 0提问于2021-10-04得票数 2
回答已采纳
1回答
如何为sklearn.linear_model.SGDRegressor设置参数使其执行批处理梯度下降？
我想用批处理梯度下降来解决线性回归问题。我需要使SGD的行为像批处理梯度下降，这应该做(我认为)通过使它修改模型在一个时代的结束。它能以某种方式被参数化成那样吗？
浏览 4提问于2020-04-23得票数 0
回答已采纳
2回答
我理解普通的最小二乘和梯度下降所做的事情，但我只是对它们之间的区别感到困惑。
我唯一能想到的区别是-
梯度下降是迭代的，而OLS则不是。
梯度下降是利用学习速率来达到最小值，而OLS则是用偏微分法求方程的极小值。
这两种方法在线性回归中都非常有用，但它们都给出了相同的结果:截距和系数的最佳可能值。
它们之间有什么区别，为什么有两种线性回归方法？
浏览 0提问于2022-04-14得票数 2
1回答
线性回归-提取计量学
、、、
Python 3
scikit-learn-0.23.1
numpy-1.18.4
scipy-1.4.1
是否有可能提取拟合回归模型所需的迭代次数(通过梯度下降)？除了一般的模型评估指标外，我没有看到任何与迭代次数相关的东西。
regressor = LinearRegression()
regressor.fit(xtr, ytr)
print('Mean Absolute Error:', metrics.mean_absolute_error(yt, y_pred))
print('Mean Squared Error:'
浏览 3提问于2020-05-31得票数 1
回答已采纳
2回答
我是做线性回归与多个特点。我决定用正规方程法求线性模型的系数。如果我们使用梯度下降的线性回归多变量，我们通常采取特征缩放，以加快梯度下降收敛。现在，我将使用正规方程公式：
我有两个矛盾的信息源。第一章指出法方程不需要特征标度.在另一种情况下，我可以看到，必须进行特性规范化。资料来源：
在这两篇文章的结尾，给出了关于正规方程中特征尺度的信息。
问题是，在进行正规方程分析之前，我们是否需要进行特征缩放？
浏览 2提问于2015-12-08得票数 1
回答已采纳
1回答
据我理解，SGD分类器和Logistic回归似乎相似。损失=对数的SGD分类器实现Logistic回归，损失=铰链实现线性支持向量机。我还了解到logistic回归采用梯度下降作为优化函数，SGD采用随机梯度下降，收敛速度要快得多。但这两种算法中哪一种会在哪种情况下使用？另外，SGD和Logistic回归有什么相似之处，它们又有何不同？
浏览 0提问于2018-09-07得票数 10
我使用随机梯度下降(SGD)算法进行回归任务，并训练网络以进行输入数据点的多次迭代。我发现，在相同的迭代次数下，与未洗牌的输入数据相比，对输入数据进行混洗会产生更好的结果。举个例子，我正在训练网络，学习输入范围在-1,1之间的"Square“函数，总共有100个点和500次迭代。因此，总的训练点将是100*500，如果我将所有这些训练点都洗牌，系统会表现得更好。
有没有人能建议一下它背后的数学原理？为什么输入的混洗表现得更好？或者对参考论文的任何建议，这解释了培训中的随机性是如何有所帮助的。
谢谢。
浏览 1提问于2015-04-08得票数 2
在线性回归空间中使用梯度下降有什么好处？看起来我们可以用分析方法来解决这个问题(找到最小成本函数的0-n)，那么为什么我们仍然想用梯度下降来做同样的事情呢？谢谢
浏览 8提问于2013-08-12得票数 75
回答已采纳
1回答
我有一个为不同学校评分的模式：
我被要求描述一种迭代方法来解决这个问题。
用多变量描述多项式回归是否是一个很好的回答方法？形式化我们有一个有m个样本的数据集D。我可以定义误差函数J(θ)，并借助梯度下降算法找到误差函数最小化的参数。
这是否是解决问题的一种迭代方法？
浏览 1提问于2018-05-14得票数 1
回答已采纳
1回答
Logistic和线性回归具有不同的成本函数。但我不明白logistic回归中的梯度下降与线性回归是如何一致的。
通过推导平方误差代价函数，得到了梯度下降公式。然而，在Logistic回归中，我们使用了一个对数成本函数。我想我在这里迷路了。
浏览 0提问于2018-01-22得票数 1
回答已采纳
5回答
线性回归中的梯度下降
、、、
我正在尝试用java实现线性回归。我的假设是theta0 + theta1 * xi。我正在尝试计算theta0和theta1的值，以便使成本函数最小。我正在使用梯度下降来找出值-
在
while(repeat until convergence)
{
calculate theta0 and theta1 simultaneously.
}
在收敛之前，这种重复是什么？我知道这是局部最小值，但是我应该放在while循环中的确切代码是什么呢？
我是机器学习的新手，刚刚开始编写基本的算法以获得更好的理解。任何帮助都将不胜感激。
浏览 7提问于2014-01-11得票数 2
2回答
梯度下降方程还是正规方程？
、、、、
假设您有一个具有m=50个示例的数据集，每个示例都有n=15个特性。你想用多元线性回归来拟合参数θ与我们的数据。你应该选择梯度下降还是法向方程?为什么？
浏览 0提问于2019-09-17得票数 1
2回答
顺序或批参数估计
、、
这就是我应该描述的问题。不幸的是，我研究的唯一一种在线性回归中估计参数的方法是经典的梯度下降算法。这是“批处理”模式还是“顺序”模式？他们之间有什么区别？
浏览 0提问于2018-05-13得票数 3
1回答
采用滑雪板进行分类是如何实现批处理梯度下降的？本文给出了随机GD的SGDClassifier (一次单实例)和线性/Logistic回归(采用正规方程)。
浏览 0提问于2019-04-06得票数 2
回答已采纳
2回答
线性回归的时间复杂度是多少？
、、、、
我的工作是线性回归，我想知道时间复杂性的大-O表示法。没有优化算法(如梯度下降)的线性回归的代价函数需要在权重组合的迭代中计算(作为蛮力方法)。这使得计算时间取决于权重的数量，并且明显地取决于训练数据的数量。
如果$n$是训练数据的数量，则$W$是权重的数量，而权重空间的每个分辨率都被设置为$m$，这意味着每个权重将迭代可能值的$m$数。那么这个线性回归的时间复杂度是
$O(m^Wn)$
这是正确的吗？
浏览 0提问于2018-07-20得票数 10
在多元线性回归一节的课程机器学习中，Andrew提供了以下关于梯度下降的提示：
使用特性缩放来更快地收敛
将特性转换为大约-1
平均归一化
吴家富还提供了一些其他建议：
绘图成本与迭代
确保每一次迭代都能降低成本(尝试更小的alpha)
若要确定收敛速度是否太慢(请尝试更大的alpha)
以确定要收敛的迭代次数。
这些技巧适用于所有使用不同机器/深度学习算法的梯度下降问题，还是仅适用于多元线性回归？
浏览 0提问于2018-02-27得票数 2
回答已采纳
我理解梯度下降是如何工作的，用户可以手动定义梯度下降函数，以最小化一些成本函数。我的问题很普遍，当我们训练和测试机器学习模型，如线性回归或随机森林时，GD在科学学习代码中会出现在哪里？GD只是嵌入到.fit()函数中吗？还是我们需要将它作为模型的一个参数？
浏览 5提问于2020-09-23得票数 1
回答已采纳
1回答
所以我用y= mx+b从头到尾写了线性回归，并运行了50个历次的算法，以最小化成本，得到最佳的参数。
当我使用Scikit学习，我只是调用线性回归方法和拟合数据集，然后开始预测。适合方法运行的时间是多少？这不仅适用于线性回归，也适用于一般的其他ML方法。
浏览 0提问于2018-03-13得票数 0
2回答
在机器学习回归问题中，为什么计算导数函数的局部最小值而不是实际函数的局部最小值？
示例：
应用梯度下降算法来寻找函数$$的局部最小值
f(x)=x^4−3x^3+2, ----(A)
使用导数
f'(x)=4x^3−9x^2. ----(B)
这里，为了用梯度下降算法求函数(A)的局部最小值，他们使用了(A)的导函数，即函数(B)。
浏览 1提问于2013-02-12得票数 3
回答已采纳
1回答
有人能给我一个关于梯度下降是如何在线性回归中使用的高层次视图吗？我知道梯度下降基本上可以有效地找到一个局部最小值，但这实际上如何帮助形成对数据的回归？谁能给我一个事件的顺序，其中的线实际上是形成到数据点？我知道如何计算点的梯度，只是不知道如何更有效地形成直线。
浏览 0提问于2016-12-23得票数 1
1回答
嗨，我是线性回归的新手。我想知道
机器学习线性回归中b/w梯度下降和均方误差的差异是什么？
和
机器学习在线性回归中何时使用梯度下降和均方误差？或者什么时候在线性回归中使用哪一种算法？
有人能解释一下吗？
浏览 0提问于2018-10-04得票数 1
1回答
所以我训练一个关于二元分类问题的神经网络，我的案例(1)和控制(0)是不平衡的，所以我对我的案例进行了过度采样，使得训练集是由控制组成的0.5053。我没有平衡我的测试集，这是0.562控制。一开始，我的训练和测试精度提高了(还不是很准确，但我希望是这样)，但是训练的精度却急剧下降，而测试的精度却是稳定的。
它们的精度分别为0.5053和0.562，因此网络只是对所有事物进行分类。我不明白这种行为是如何产生的，因为我认为平衡我的训练集可以避免将所有事情分类相同的问题。此外，培训集开始从50/50开始学习，但我无法理解它的回归。我能做些什么来阻止这一切吗？或者，当训练的准确性开始下降时，我应该尽
浏览 0提问于2019-07-08得票数 1
回答已采纳
1回答
梯度下降更新规则：
将这些值用于此规则：
X= 10 20 30 40 50 60 70 80 90 100 y=4 7 8 4 5 6 7 5 3 4
在使用0.07的学习速率进行两次迭代后，输出的值θ为
-73.396
-5150.803
经过三次迭代后，θ是：
1.9763e+04
1.3833e+06
因此，在第二次迭代之后，θ似乎变大了，这意味着学习速度太大了。
所以我决定：
迭代= 300；α= 0.000007；
theta现在：
0.0038504
0.0713561
这些θ值是否允许我画一条直线，如果是这样的话？我刚刚开始尝试理解梯度下降，所以请指出我的逻
浏览 3提问于2015-07-18得票数 3
回答已采纳
在Logistic回归中，利用MLE建立数学函数来估计模型参数，采用梯度下降等优化技术求解该函数。
有人能提供一个用例子解释这个过程的资源吗？
浏览 0提问于2022-01-09得票数 1
1回答
梯度下降算法中激活函数的导数
、、、、
为什么在更新模型(回归或神经网络)参数时需要计算激活函数的导数？为什么线性函数的恒定梯度被认为是一个缺点？
据我所知，当我们使用公式进行随机梯度下降时：
\text{weight} = \text{weight} + (\text{learning rate}\times (\text{actual output} - \text{predicted output}) * \text{input})
那么，权重也会被很好地更新，那么为什么导数的计算被认为是如此重要呢？
浏览 0提问于2019-07-13得票数 1
2回答
在考瑟拉上参加安德鲁·吴( Andrew )的在线机器学习课程时，我遇到了一个名为过度拟合的话题。我知道梯度下降在线性或logistic回归中会发生，但如果使用“共轭梯度”、"BFGS“和"L-BFGS”等高级优化算法，它会发生吗？
浏览 0提问于2016-09-13得票数 8
回答已采纳
我是蟒蛇和机器学习方面的新手。我试图用梯度下降法(可能是线性回归)从python2.7中的温度和时间序列得到一个斜率，如下所示
我从OpenTSDB获得温度和时间值，时间值最初显示为unix，但我将其改为string，如下所示
TIME = time.localtime(float(_time));
stime = '%4d/%02d/%02d %02d:%02d:%02d' % (TIME.tm_year, TIME.tm_mon, TIME.tm_mday, TIME.tm_hour, TIME.tm_min, TIME.tm_sec);
有没有办法用梯度下降法得
浏览 0提问于2017-04-19得票数 0
回答已采纳
1回答
我正在做一个测验，在这个测验中，你必须从头开始实现一些机器学习概念。有一个问题要求在python中实现线性插值，除了numpy之外，不需要任何外部库。问题是：
问:给定点(1，2)，(3，4)，(5，6)，(8，8)，(7，-1)的输入数据，使用梯度下降拟合Y=A*X+B形式的直线。在所提供的函数中使用除numpy以外的任何外部库来提供算法的实现。求值线性回归拟合在提供的点上。
def linear_interpolate_point(data, x):
"""
Fit a line to the provided data and then evalu
浏览 9提问于2021-06-07得票数 2
3回答
我试图发展随机梯度下降，但我不知道它是否是100%正确的。
我的随机梯度下降算法所产生的代价有时与F对联C算法或批处理梯度下降算法产生的代价相差甚远。
当我设置学习速率α为0.2时，批梯度下降成本会收敛，但为了不发散，我不得不为随机实现设置一个学习速率α为0.0001。这是正常的吗？
以下是我在10,000个元素和num_iter = 100或500的训练集中获得的一些结果
FMINUC :
Iteration #100 | Cost: 5.147056e-001
BACTH GRADIENT DESCENT 500 ITER
Itera
浏览 1提问于2014-01-25得票数 9
回答已采纳
2回答
这的答案表明，使用这种矩阵运算可以训练线性函数和多项式函数的权重：
$w = (X^TX)^{-1}X^Ty$
因此，这些函数不需要梯度下降等算法。根据我的理解，线性回归模型的梯度下降为每个权重找到了完美的导数，因此成本函数是最小的。
在询问上面的梯度下降和方程之间的联系之前，让我们用更小的步骤将这个方程分开：
$X =$
$y=$
让我们把$X$向量转化为矩阵，增加1's列，用来训练偏置值：
开始{b矩阵}1和1\2和1\3和1\4和1\5和1\6和1\7和1\8和1\9和1\ 10和1\ 11和1\ 12和1\结束{b矩阵}
转置：$X^T$：\begin{bmatrix} 1&a
浏览 0提问于2018-03-25得票数 1
回答已采纳
我从单变量线性梯度下降的简单实现开始，但不知道如何将其扩展到多元随机梯度下降算法？
单变量线性回归
import tensorflow as tf
import numpy as np
# create random data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.5
# Find values for W that compute y_data = W * x_data
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
y = W * x
浏览 0提问于2016-03-16得票数 7
回答已采纳
1回答
sklearn的线性回归模型使用闭合或法线方程来查找参数。然而，对于大数据集，梯度下降被认为是更有效的。有没有办法通过渐变下降来使用sklearn中的LinearRegression？
浏览 0提问于2021-03-29得票数 0
我试图在MATLAB中实现一个logistic回归求解器，并通过随机梯度下降来求权值。我遇到了一个问题，我的数据似乎产生了无限的成本，无论发生什么，它永远不会下降…这两种情况看起来都很好，我无法想象为什么我的成本函数总是会无限地返回。
在中，第一列是类(1或0)，接下来的七列是我试图返回的特性。
浏览 2提问于2014-10-17得票数 0
回答已采纳
1回答
我试图用回归的方法，根据过去的记录，简单地预测一个组织的未来利润。我在跟踪。为了测试目的，我更改了样本数据，并产生了以下结果：
我的实际数据将是日期和利润，他们将上升和下降，而不是以一个连续的增量方式。我认识到，上述方法适用于样本数据，随着预测的准确性不断增加。然而，当我把数据转换成屏幕截图中的数据时，这个预测就不再那么准确了。
只是想知道是否有任何方法来提高回归的准确性，因为我的数据将上升和下降。
谢谢!
浏览 0提问于2017-10-23得票数 0
1回答
那么这个算法到底意味着什么呢？
我知道的：
(一)阿尔法:梯度下降的步骤有多大。
( ii)现在，∑{ hThetax(i) - y(i) }：指具有给定的Theta值的总错误。
误差是指预测值{ hThetax(i) }与实际值之间的差异。y(i)
hThetax{∑(I)- y(i) }给出了所有训练示例中所有错误的求和。
结尾的Xj^(i)代表什么？
我们在实现多元线性回归梯度下降时是否做了以下工作？
Theta (j)减：
alpha
乘以1/m
时代：
{第一训练范例的误差乘以第一训练范例的jth元件。加号
第二次训练实例的jth元素对第二次训练实例的误
浏览 4提问于2017-02-02得票数 2
回答已采纳
我想知道什么时候使用线性回归随机或批量梯度下降，以最小化成本函数与什么时候使用正规方程？使用梯度下降的算法是迭代的，因此它们可能需要更长的时间来运行，而不是通常的方程解，后者是一个封闭的形式方程。但是它确实使用矩阵来存储训练数据。这是否意味着梯度解需要更多的处理能力，但使用正规方程方法需要更多的内存，因为矩阵？哪种方法在什么情况下是最优的？
浏览 0提问于2016-09-20得票数 4
回答已采纳
2回答
我正在尝试使用多元回归来打篮球。具体地说，我需要根据X、Y和目标的距离来预测俯仰、偏航和加农炮的强度。我在考虑对每个输出参数使用具有多个脉冲变量的多元回归。有没有更好的方法来做这件事？
另外，我是应该直接使用solve来获得最佳拟合，还是应该使用梯度下降？
浏览 1提问于2012-03-15得票数 4
回答已采纳
2回答
我在python中实现了梯度下降的线性回归。为了了解它做得有多好，我将它与scikit-learn的LinearRegression()类进行了比较。由于某些原因，sklearn的平均性能总是超过我的程序MSE 3(我正在使用波士顿房屋数据集进行测试)。据我所知，我目前没有做梯度检查来检查收敛性，但我允许多次迭代，并且将学习速率设置得足够低，使它能够收敛。我的学习算法实现中有什么明显的缺陷吗？这是我的代码：
import numpy as np
from sklearn.linear_model import LinearRegression
def getWeights(x):
l
浏览 3提问于2014-02-08得票数 4
回答已采纳
我正在尝试训练一个模型，使用线性回归和梯度下降来预测基于平方英尺面积的房价，但我不知道哪里错了，预测的hx (假设)大于数值。没有为预测编码，因为我得到了错误。帮帮我。ty import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
db = pd.read_csv("train.csv")
x = np.array(db.iloc[:40,5])
y = np.array(db.iloc[:40,11])
m = len(x)
t0=0
t1=1
alpha = 0.001
for i in
浏览 33提问于2021-10-06得票数 1
1回答
我正在处理三维测量数据，并希望使用多元线性回归来建模。我已经实现了一个简单的梯度下降算法来解决经典的回归问题。
y = \beta_0 + \beta_1x_1 + \beta_2x_2 + \beta_3x_3.
然而，我的最终目标是在三个目标变量中加入一个困难的条件：
y_1 = \beta_{10} + \beta_{11}x_1 + \beta_{12}x_2 + \beta_{13}x_3,\\ y_2 = \beta_{20} + \beta_{12}x_1 + \beta_{22}x_2 + \beta_{23}x_3,\\ y_3 = \beta_{30} + \beta
浏览 0提问于2021-03-15得票数 2
回答已采纳
1回答
所以我找到了一个描述SGD-下降的公式。
θ = θ-η*∇L(θ;x,y)
其中θ是一个参数，η是学习速率，∇L()是损失函数的梯度下降。但我不明白的是，参数θ(应该是权重和偏差)是如何从数学上更新的呢？参数θ有数学解释吗？
谢谢你的回答。
浏览 6提问于2022-01-22得票数 0
2回答
假设我们的数据矩阵X有一个重复列，即存在一个重复特征，并且该矩阵不是全列秩。发生什么事了？
我想我们找不到唯一的解，因为这是线性回归中的封闭形式，但我不知道如何直观地证明它，即使它是真的或不对。
浏览 0提问于2020-01-26得票数 7
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
