ผลต่างระหว่างรุ่นของ "Found ds 3.1"

รุ่นแก้ไขเมื่อ 02:25, 25 กันยายน 2564

Hint: 3.1 Least squares vertical error

ในข้อนี้จะให้ derive สูตรของการคำนวณที่นิยมเรียกว่า linear least squares หรือ linear least squares regression

จากโจทย์ เราจะให้เส้นประมาณของเราคือ $y=mx+b$ เราจะหา $m$ และ $b$ ที่ "ดีที่สุด"
ให้เริ่มโดยเขียนค่า error ที่เราต้องการจะ minimize ก่อน
- ในโจทย์ให้ใช้ mean square error แต่การคิดผลรวมก็ให้ผลไม่ต่างจากค่าเฉลี่ย ดังนั้นให้เขียนเทอมนี้ออกมาก่อน (ป.ล. square error ที่จุด $x_{i}$ เดียวคือ $((mx_{i}+b)-y_{i})^{2}$ )
- ขอเรียกค่านี้ว่า $L$
เราอยากจะหา $m$ $m$ และ $b$ $b$ ที่ minimize ค่านี้ เราจะใช้วิธีจากแคลคูลัส คือเราจะหาค่าของตัวแปรทั้งสองที่ทำให้ ${\frac {d}{dm}}L=0$ ${\frac {d}{dm}}L=0$ และ ${\frac {d}{db}}L=0$ ${\frac {d}{db}}L=0$
- แก้สมการจากฝั่ง $b$ อาจจะสะดวกกว่า

หมายเหตุ: เพื่อความสะดวกในการคำนวณอาจจะใช้ ${\bar {x}}=(\sum _{i}x_{i})/n$ และ ${\bar {y}}=(\sum _{i}y_{i})/n$ ประกอบได้ สมการที่ได้จะมีรูปที่จัดง่ายขึ้น

@@ แถว 6: / แถว 6: @@
 * ให้เริ่มโดยเขียนค่า error ที่เราต้องการจะ minimize ก่อน
 ** ในโจทย์ให้ใช้ mean square error แต่การคิดผลรวมก็ให้ผลไม่ต่างจากค่าเฉลี่ย ดังนั้นให้เขียนเทอมนี้ออกมาก่อน (ป.ล. square error ที่จุด <math>x_i</math> เดียวคือ <math>((mx_i+b) - y_i)^2</math>)
-** ขอเรียกค่านี่ว่า <math>L</math>
+** ขอเรียกค่านี้ว่า <math>L</math>
 * เราอยากจะหา <math>m</math> และ <math>b</math> ที่ minimize ค่านี้ เราจะใช้วิธีจากแคลคูลัส คือเราจะหาค่าของตัวแปรทั้งสองที่ทำให้ <math>\frac{d}{dm}L=0</math> และ <math>\frac{d}{db}L=0</math>
 ** แก้สมการจากฝั่ง <math>b</math> อาจจะสะดวกกว่า
 ''หมายเหตุ:'' เพื่อความสะดวกในการคำนวณอาจจะใช้ <math>\bar{x}=(\sum_i x_i)/n</math> และ <math>\bar{y}=(\sum_i y_i)/n</math> ประกอบได้ สมการที่ได้จะมีรูปที่จัดง่ายขึ้น

ผลต่างระหว่างรุ่นของ "Found ds 3.1"

รุ่นแก้ไขเมื่อ 02:25, 25 กันยายน 2564

รายการเลือกการนำทาง

เครื่องมือส่วนตัว

เนมสเปซ

สิ่งที่แตกต่าง

ดู

เพิ่มเติม

ค้นหา

การนำทาง

เครื่องมือ