machine-learning - 线性回归和非线性回归的区别？

Question

在机器学习中，我们这样说:

• w₁x₁ + w₂x₂ +...+ w_n x_n 是一个线性回归模型，其中 w₁,w₂....w _n 是权重，x₁,x₂...x₂ 是特征，而:<
• w₁x₁² + w₂x₂² +...+ w_nx_n² 是非线性(多项式)回归 型号

但是，在一些讲座中，我看到人们说模型是基于权重的线性的，即权重系数是线性的，特征的程度并不重要，无论它们是线性(x₁)或多项式(x₁²)。真的吗？如何区分线性模型和非线性模型？是基于权重还是特征值？

Answer 1

两种口味都存在。

如果您在统计社区，通常是前者(特征中的非线性、x^2 或 e^x 等)。请参阅this例如。

在机器学习社区中，重点更多地放在权重上；特征函数可以是任何东西(例如，参见 SVMs 中的内核技巧)。

原因是不同的社区有不同的方法来解决这些类似的问题。统计界有更多直接的分析方法；而机器学习的目标略有不同(在未知的概念空间中建模复杂的模式)。