lse算法公式
LSE（Least Square Estimation），也叫最小二乘估计。其公式如下：
L(w)=12∑i=1n(w⊤xi−yi)2=w⊤X⊤−Y⊤L(w) = \frac{1}{2} \sum_{i=1}^{n} (w^\top x_i - y_i)^2 = w^\top X^\top - Y^\topL(w)=21i=1∑n(w⊤xi−yi)2=w⊤X⊤−Y⊤
这里的12{\frac{1}{2}}21是为了微分时消去不必要的参数。 例如当特征空间的维度大于样本数时，我们无法通过少量的样本来拟合出目标函数，这就会导致过拟合。
正则化最小二乘问题此外，均方差损失函数（MSE）也称L2损失，其公式为：
S=∑i=1n(Yi−f(xi))2S = \sum_{i=1}^n (Y_i - f(x_i))^2S=i=1∑n(Yi−f(xi))2
MSE是最常用的回归损失函数，是求预测值与真实值之间距离的平方和，其公式为：
MSE=∑i=1n(f(xi)−Yi)2nMSE = \frac{\sum_{i=1}^n (f(x_i) - Y_i)^2}{n}MSE=n∑i=1n(f(xi)−Yi)2
以上内容仅供参考，建议查阅统计学、计量经济学等专业书籍或咨询专业人士，以获取更准确的信息。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论