机构名称：
¥ 2.0
线性模型，例如线性和逻辑回归，在当前的数据科学和数据分析工作中都是ubiq的。它们的简单结构使他们能够快速训练，并在简单问题上很好地概括。此外，可以轻松解释它们以了解模型决策，这在医学和金融等受监管领域至关重要。例如，线性回归已被用来预测未来的消费者，公司资源需求和房价[1]，[2]。逻辑回归已用于疾病预测和欺诈检测[3]，[4]。在低维度中，数据集的数据集比功能多得多，线性模型通常可以很好地发电，而无需进行大量调整。从信息理论的角度来看，这是因为该模型具有足够的数据来了解数据集中的主要趋势，这应该是将来的实例。这就是为什么线性模型通常在简单的大数据集中最有效的原因[5]。但是，许多现代数据集具有高维度，其功能比数据点更多。这在地理学或金融中很常见，其中许多资产的许多基因或价格的表达超过了个人观察。在这种情况下，线性模型可以超越数据，从而使对未来输入的概括不佳[6]。对此问题的一种常见解决方案使用正则化，这限制了这些模型的权重向量。
对高级...
主要关键词
相关文件推荐
