在机器学习中,我们这样说:
- w1x1 + w2x2 +...+ wn xn 是一个线性回归模型,其中 w1,w2....w n 是权重,x1,x2...x2 是特征,而:<
- w1x12 + w2x22 +...+ wnxn2 是非线性(多项式)回归 型号
但是,在一些讲座中,我看到人们说模型是基于权重的线性的,即权重系数是线性的,特征的程度并不重要,无论它们是线性(x1)或多项式(x12)。真的吗?如何区分线性模型和非线性模型?是基于权重还是特征值?
最佳答案
两种口味都存在。
如果您在统计社区,通常是前者(特征中的非线性、x^2 或 e^x 等)。请参阅this例如。
在机器学习社区中,重点更多地放在权重上;特征函数可以是任何东西(例如,参见 SVMs 中的内核技巧)。
原因是不同的社区有不同的方法来解决这些类似的问题。统计界有更多直接的分析方法;而机器学习的目标略有不同(在未知的概念空间中建模复杂的模式)。
关于machine-learning - 线性回归和非线性回归的区别?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37019023/