线性模型可用于模拟回归目标 y 对某些特征 x 的依赖性。所学关系是线性的,可以针对单个实例 i 编写如下:
\[Y=\β0+β1 x 1+ldots+\βp x p+epsilon\]
实例的预测结果是其 p 特征的加权和。betas(\(\ beta j \)表示学习的特征权重或系数。总和中的第一个权重(\(\β\u 0\)称为截距,不与特征相乘。epsilon(\(\ epsilon\)是我们仍然犯的错误,即预测与实际结果之间的差异。假设这些误差服从高斯分布,这意味着我们在正负方向上都会产生误差,并且会产生许多小的误差和很少的大的误差。
$$
[Y=β_0+β_1 x1+...+β_px_p+\epsilon]
$$
实例的预测结果是其 p 特征的加权和。betas(βj)表示学习的特征权重或系数。总和中的第一个权重(β0)称为截距,不与特征相乘。epsilon(ϵ)是我们仍然犯的错误,即预测与实际结果之间的差异。假设这些误差服从高斯分布,这意味着我们在正负方向上都会产生误差,并且会产生许多小的误差和很少的大的误差。