加权回归的SPSS操作演示
2016-08-27 MedSci MedSci原创
加权回归直线回归简单来说，这个过程其实是在先拟合出一条曲线，然后再用这个曲线去预测需要预测的点。但是如果这个曲线拟合得不好（或者说样本数据含有大量噪音），那么这个预测结果就会很差。 局部加权线性回归 对于一个数据集合(x0,y0),(x1,y1),⋯,(xm,ym)，我们预测它在x点时对应的y值时，如果采用的是传统的 线性回归模型，那么： Fit θ to mininize ∑i(y(i
加权回归直线回归简单来说，这个过程其实是在先拟合出一条曲线，然后再用这个曲线去预测需要预测的点。但是如果这个曲线拟合得不好（或者说样本数据含有大量噪音），那么这个预测结果就会很差。 局部加权线性回归 对于一个数据集合(x0,y0),(x1,y1),⋯,(xm,ym)，我们预测它在x点时对应的y值时，如果采用的是传统的 线性回归模型，那么： Fit θ to mininize ∑i(y(i)−θTx(i))2 Output θTx 但是对于 局部加权线性回归(Locally Weighted Linear Regression)来说，在一定程度上可以避免上述问题，但是会付出一些计算量的代价。 局部加权线性回归(Locally Weighted Linear Regression)的过程是这样的: Fit θ to mininize ∑iw(i)(y(i)−θTx(i))2 Output θTx 其中w(i)是一个非负的权值，这个权值是用来控制每一个训练实例对于模型的贡献，假设要预测的点是x，则w(i)可以定义为: w(i)=e−(x(i)−x)22τ2(1) 权值的意义 要理解这个凭空多
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
感觉比较难，还要多学习
79
好好学习一下
78
学习啦，谢谢啦
91
学习啦，谢谢啦
69
乱码好多
71
继续学习
20
继续关注
27
o
26
还需学习?，努力学会，不懂就问，
26