今天学习回归算法的过程中，对于常见到的名词：极大似然、最小二乘以及梯度下降做一个总结
机器学习的基本框架大都是模型、目标和算法！
如何让模型尽可能好的拟合或者分类数据呢？那么就需要有目标函数，所以要定下模型的cost function，其中的获取损失函数的方法。
对于线性回归，可以采用他的似然函数、或根据最小二乘，写出他的损失函数。
对于逻辑回归，采用似然函数求他的损失函数。
而采用何种优化算法，则可以使用最小二乘法、梯度下降法等。
问题1：最小二乘和最小均方误差的区别？
最小二乘：预测值和真实值差的平方和
均方误差：预测值和真实值差的期望
，是一种加权最小二乘，权值为概率！
加权最小二乘：根据实际问题考虑每个求和项的重要程度，即加权值w，
均方误差估计是针对概率模型，二乘估计是针对确定性模型
问题2：为什么逻辑回归不用最小二乘？
主要是逻辑回归采用最小二乘获得损失函数的话，比较复杂，容易陷入局部最优
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/119463.html原文链接：https://javaforall.net
![抖音推荐算法总结[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
