测试Hexo功能
公式
$$J_\alpha(x)=\sum_{m=0}^\infty \frac{(-1)^ m}{m! \, \Gamma (m + \alpha + 1)}{\left({\frac{x}{2}}\right)}^{2 m + \alpha }$$
Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub.
1.2.1 线性回归模型
模型表达
$$
y(x, w) = w_0 + w_1 x_1 + \cdots + w_n x_n \quad (n \ge 1) \qquad (ml.1.1.1)
$$其中,\(x_1,x_2,\cdots,x_n\)表示自变量(集合),\(y\)是因变量,\(w\)为参数向量,\(w_i\)表示对应自变量(特征)的权重,\(w_0\)是偏倚项(又称为截距)。
关于参数\(w\):
- 在物理上可以这样解释:在自变量(特征)之间相互独立的前提下,\(w_i\)反映自变量\(x_i\)对因变量影响程度,\(w_i\)越大,说明\(x_i\)对结果\(y\)的影响越大。
- 通过每个字变量(特征)前面的参数,可以很直观的看出哪些特征分量对结果的影响比较大。
- 在统计中,\(w_1,w_2,\cdots,w_n\)称为偏回归系数,\(w_0\)称为截距。
如果令\(x_0=1, y(x,w)=h_{w}(x)\), 可以将公式\((ml.1.1.1)\)写成向量形式,即:
$$
h_{w}(x) = \sum_{i=0}^{n} w_i x_i = w^T x \qquad(ml.1.1.2)
$$其中,\(w=(w_0, w_1, \cdots, w_n)\),\(x=(1, x_1, x_2, \cdots, x_n)\) 均为向量,\(w^T\)为\(w\)的转置。
- 在物理上可以这样解释:在自变量(特征)之间相互独立的前提下,\(w_i\)反映自变量\(x_i\)对因变量影响程度,\(w_i\)越大,说明\(x_i\)对结果\(y\)的影响越大。
上式是对一条样本进行建模的数据表达。对于多条样本,假设每条样本生成过程独立,在整个样本空间中(\(m\)个样本)的概率分布为:
$$P(Y|X; w) = \prod_{i=1}^{m} \left( (h_{w}(x^{(i)}))^{y^{(i)}} \cdot (1 - h_{w}(x^{(i)}))^{1-y^{(i)}} \right) \qquad(ml.1.8)$$
Quick Start
Create a new post
1 | $ hexo new "My New Post" |
More info: Writing
Run server
1 | $ hexo server |
More info: Server
Generate static files
1 | $ hexo generate |
More info: Generating
Deploy to remote sites
1 | $ hexo deploy |
More info: Deployment