多项式回归的matlab实现_matlab 多项式回归

作者：在线问答5 | 2024-08-19 11:15:30

踩

matlab 多项式回归

一次函数的线性回归

首先我们回顾一下当回归函数为一次函数的情况

存在训练样本矩阵 X ，该矩阵大小为m*n ，其中m为样本数量，n为特征数量

此时回归方程为

$h_{\theta }\left ( x \right )=\theta _{0}+\theta_{1}x_{1}+..+\theta_{n}x_{n}=X\theta$

其中 $\theta$ 为系数向量

此时代价函数为

$J(\theta)=\frac{1}{2}(X\theta -Y)^{T}(X\theta -Y)$

当代价函数取得最小值时， $\theta$ 为最优解

对 $J(\theta)$ 进行求导得到

$\frac{\partial }{\partial \theta }J(\theta)=X^{T}(X\theta-Y)$

批量梯度下降法

$\theta = \theta-\alpha\frac{\partial }{\partial \theta }J(\theta)$

其中 $\alpha$ 为步长系数， $\alpha\frac{\partial }{\partial \theta }J(\theta)$ 为步长，不断迭代上式，当步长变化小于某个值时，认为得到代价函数的局部最小值。

数学上，梯度方向是函数值下降最为剧烈的方向。那么，沿着 J(θ) 的梯度方向走，我们就能接近其最小值，或者极小值，从而接近更高的预测精度。

多项式的线性回归

此时回归方程为

$h_{\theta }\left ( x \right )=\theta _{0}+\theta_{1}x_{1}+..+\theta_{n}x_{n} +\theta_{11}x_{11}^{2}+\theta_{12}x_{12}^{2}+..+\theta_{1n}x_{1n}^{2}+...$

代价函数

$J(\theta)=\frac{1}{2}\sum (h_{\theta}(x_{i})-y_{i})^2$

此时我们可以通过遍历矩阵来计算该代价函数的导数，但是会感觉到编程复杂

那么可以像一次函数一样去用矩阵表示代价函数吗？

是可以的，我们只需要将 x^n 视作一个整体就可以了

在一次回归中，样本矩阵 X为 [1,X] 其中 1 表示该列都为1

在多项式回归中，我们可以将 X 扩展为 [1,X,X^2,X^3,...,X^n]

此时我们回到了一次回归的矩阵运算中

具体程序可参考

https://download.csdn.net/download/qq_32478489/10651951

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/在线问答5/article/detail/1002042