机器学习导论1.2.3 回归_机器学习导论1.2.3 回归试读-查字典图书网
查字典图书网
当前位置: 查字典 > 图书网 > 神经网络 > 机器学习导论 > 1.2.3 回归

机器学习导论——1.2.3 回归

假设我们想要一个能够预测二手车价格的系统。该系统的输入是我们认为会影响到车价的属性信息:品牌、车龄、发动机性能、里程以及其他信息。输出是车的价格。这种输出为数值的问题是回归(regression)问题。 设x表示车的属性,y表示车的价格。调查一下以往的交易情况,我们能够收集训练数据,而机器学习程序用一个函数拟合这些数据来学习x的函数y。图1-2给出了一个例子,其中对于w和w0的合适值,拟合函数具有以下形式: 回归和分类均为监督学习(supervised learning)问题,其中输入x和输出y给定,任务是学习从输入到输出的映射。机器学习的方法是,先假定某个依赖于一组参数的模型: 其中,g(·)是模型,θ是模型的参数。对于回归,y是数值;对于分类,y是类编码(如0/1)。g(·)为回归函数,或者(对于分类)是将不同类的实例分开的判别式函数。机器学习程序优化参数θ,使得逼近误差最小,也就是说,我们的估计要尽可能地接近训练集中给定的正确值。例如,图1-2所示的模型是线性的,w和w0是为最佳拟合训练数据优化的参数。在线性模型限制过强的情况下,我们可以利用比如二次函数: 或更高阶的多项式,或其他非线性函数,为最佳拟合优化它们的参数。 回归的另一个例子是对移动机器人的导航。例如,自动汽车导航。其中输出是每次转动车轮的角度,使得汽车前进而不会撞到障碍物或偏离车道。这种情况下,输入由汽车上的传感器(如视频相机、GPS等)提供。训练数据可以通过监视和记录驾驶员的动作收集。 我们来想象回归的其他应用,这里我们试图优化一个函数。假设我们想要造一个焙炒咖啡的机器,该机器有多个影响咖啡品质的输入:各种温度、时间、咖啡豆种类等配置。我们针对不同的输入配置进行大量试验,并测量咖啡的品质,例如,根据消费者的满意度测量咖啡的品质。为寻求最优配置,我们拟合一个联系这些输入和咖啡品质的回归模型,并在当前模型的最优样本附近选择一些新的点,以便寻找更好的配置。我们抽取这些点,检测咖啡的品质,将它们加入训练数据,并拟合新的模型。这通常被称为响应面设计(response surface design)。

展开全文


推荐文章

猜你喜欢

附近的人在看

推荐阅读

拓展阅读

《机器学习导论》其他试读目录

• 前言
• 目录
• 译者序
• 1.1 什么是机器学习
• 1.2.1 学习关联性
• 1.2.2 分类
• 1.2.3 回归 [当前]
• 1.2.4 非监督学习
• 1.2.5 增强学习
  • 大家都在看
  • 小编推荐
  • 猜你喜欢
  •