В линейной регрессии решение Максимизировать правдоподобие (MLE) для оценки имеет следующее решение в закрытой форме (при условии, что A является матрицей с полным рангом столбца):x
x^lin=argminx∥Ax−b∥22=(ATA)−1ATb
Это читается как «найти который минимизирует целевую функцию, ». Хорошая вещь о представлении целевой функции линейной регрессии таким образом состоит в том, что мы можем хранить все в матричной записи и решать вручную для . Как отмечает Алекс Р., на практике мы часто не рассматриваем напрямую, поскольку он неэффективен в вычислительном отношении, а часто не соответствует критериям полного ранга. Вместо этого мы обратимся к псевдообратному Муру-Пенроуза . Детали вычислительного решения для псевдообратного типа могут включать разложение Холецкого или разложение сингулярного значения.x∥Ax−b∥22х лин ( Т ) - 1x^lin(ATA)−1A
Альтернативно, решение MLE для оценки коэффициентов в логистической регрессии:
x^log=argminx∑i=1Ny(i)log(1+e−xTa(i))+(1−y(i))log(1+exTa(i))
где (при условии, что каждая выборка данных хранится построчно):
x представляет вектор представляет коэффициенты регрессии
a(i) - это вектор, представляющий образец / строку в матрице данныхithA
y(i) является скаляром в , а этикетку , соответствующую образца{0,1}ithith
N есть число выборок данных / количество строк в матрице данных .A
Опять же, это читается как «найти который минимизирует целевую функцию».x
Если вы хотите, вы можете сделать еще один шаг и представить в матричной записи следующим образом:x^log
x^log=argminx⎡⎣⎢⎢1⋮1(1−y(1))⋮(1−y(N))⎤⎦⎥⎥[log(1+e−xTa(1))log(1+exTa(1))......log(1+e−xTa(N))log(1+exTa(N))]
но вы ничего не получите от этого. Логистическая регрессия не имеет решения в закрытой форме и не получает тех же преимуществ, что и линейная регрессия, представляя ее в матричной записи. Для решения используются такие методы оценки, как градиентный спуск и метод Ньютона-Рафсона. Используя некоторые из этих методов (например, Ньютона-Рафсона), аппроксимируется и представляется в матричной записи ( см. Ссылку, предоставленную Алексом Р. ).x^logx^log