Chinese, Simplified subtitles

← Problem with Minimizing Absolute Errors - Intro to Machine Learning

Get Embed Code
4 Languages

Showing Revision 5 created 10/10/2016 by Udacity Robot.

  1. 你已经思考了这个问题 现在让我来告诉你这一点为什么很重要
  2. 让我先以中间线为例
  3. 我的误差大概会是这样的
  4. 我现在把它们画上来
  5. 这是每个点与该点在回归线上的
  6. 预测值的距离
  7. 如果你要计算误差绝对值之和
  8. 只需计算所有这些橙色距离的总和就能得出答案
  9. 不过 现在让我们来看看最上面这条线
  10. 我们可以在这里执行相同的操作
  11. 现在我们开始画上距离
  12. 虽然离上面所有点更近了
  13. 但离下面所有点更远了
  14. 以这两个点为例
  15. 它离上面这个点近了一些
  16. 离下面这个点远了一些
  17. 但总的说来 这两个示例点
  18. 的总误差将与这两个点
  19. 相对于中间线的总误差完全相同
  20. 实际上 这对于最下面这条回归线
  21. 上述结论也成立
  22. 如果每条线上方和下方的
  23. 点数都相同 那么一般来说该结论始终都成立
  24. 使用误差绝对值时
  25. 回归所在的准确范围方面存在固有的模糊性
  26. 它可以在这一范围内的任何位置
  27. 换句话说 可以有多条能最大程度降低绝对误差的线
  28. 但只有一条可以最大程度降低误差平方的线
  29. 也就是说 如果我们使用的指标不是距离的绝对值
  30. 而是距离平方的绝对值 这种模糊性将不存在
  31. 我还要补充一点
  32. 这实际上更具实际意义
  33. 使用误差平方和查找回归的方法
  34. 也能使回归(算法)的实现简单很多
  35. 也能使回归(算法)的实现简单很多
  36. 最小化误差平方和
  37. 而不是绝对误差和时 更容易找到回归线
  38. 这让我们在使用 sklearn 执行大多数
  39. 需要大量计算的工作时无需过多担心
  40. 当然 如果你实际上编写的代码
  41. 通过线性代数来查找回归
  42. 或者可能通过微积分来查找回归的结果
  43. 那么这会是一个大问题
  44. 这也是传统上回归使用
  45. 最小化平方误差和的另一个原因
  46. 即它(最小化平方误差)在计算上要简单得多