Tiešsaistes lineārā regresija
Tiešsaistes lineārā regresija pielāgo lineāru modeli pa vienam novērojumam, pakāpeniski atjauninot svarus, kad pienāk katrs jauns datu punkts. Atšķirībā no partijas mazāko kvadrātu metodes, tai nekad nav nepieciešams glabāt vai atkārtoti apstrādāt visu datu kopu, padarot to par dabisku izvēli datu plūsmām, ļoti lielām datu kopām un vidēm, kurās datu ģenerēšanas process var mainīties laika gaitā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
- Haykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall. ISBN: 978-0130901262
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online Linear Regression (Incremental Least-Squares). ScholarGate. https://scholargate.app/lv/machine-learning/online-linear-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Lineārā regresija (ML)Mašīnmācīšanās↔ compare
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Tiešsaistes loģistiskā regresijaMašīnmācīšanās↔ compare
- Regulārā lineārā regresijaMašīnmācīšanās↔ compare
- Regulētā lineārā regresija (Ridge Regression)Mašīnmācīšanās↔ compare
- Stohastiskā gradienta metode (SGD)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →