我想在我的程序中使用特征提取，然后估计每个特征的最佳权重并计算新输入记录的分数。
例如，我有一个释义数据集。该数据集中的每个记录是一对两个句子，两个句子的相似性用0和1之间的值表示。 4个功能，我创建了具有这些特征值和相似性得分的新数据集。我想使用这个新数据集来学习权重：
复述数据集：
"A problem was solved by a mathematician"; "A mathematician was found a solution for a problem"; 0.9
.
.
新数据集：
0.42; 0.61; 0.21; 0.73; 0.9
.
.
我想使用回归来估计每个要素的权重。我想用程序1计算程序中输入句子的相似度：S = W1*F1 + W2*F2 + W3*F3 + W4*F4
我知道回归算法可以用于这项工作，但我不知道如何？请指导我做这项工作？ 是否有任何纸张或文档使用回归算法？
答案 0 :(得分：2)
您正在寻找的是一个简单的 linear regression （顺便说一句，它不是算法，而是 - 数据建模方法，算法用于查找线性回归参数，但回归本身不是算法），但你还应该将偏差（截距）项添加到等式中，使其成为：
S = w1*f1 + w2*f2 + w3*f3 + w4*f4 + b
或以矢量化格式
s = <F,W> + b
其中<F,W>是权重和特征的内在产物，b是偏见（实值变量）
要统一，你可以添加一个常数值f5 = 1，并包含w5而不是b，所以它变为
s = <F,W>
您可以使用Ordinary Least Squares方法
解决此问题W = (F'F)^(-1)F's
导致残差平方和的最佳线性回归。
在每种编程语言中，您都可以找到用于执行线性回归的库，因此您无需自己实现它。特别是，库也会引入b变量，因此不需要自己实现它。