OLR-WA：基于加权平均的在线回归
机器学习
2023-07-07 v1
摘要
机器学习需要大量训练数据以构建准确模型。有时数据随时间到达，需要大量存储空间并为纳入新数据而重新计算模型。在线学习通过在遇到数据时增量修改模型随后丢弃数据来解决这些问题。本研究提出一种新的在线线性回归方法。该方法将新到达的数据与已有模型结合以创建新模型。所提出的模型称为 OLR-WA（OnLine Regression with Weighted Average，基于加权平均的在线回归），利用用户定义的权重在面对变化的数据时提供灵活性，使结果偏向旧数据或新数据。我们进行了二维和三维实验，将 OLR-WA 与使用全部数据集的静态模型比较。结果表明，对于一致数据，OLR-WA 与静态批处理模型表现相似；对于变化数据，用户可设定 OLR-WA 更快适应或抵抗变化。
引用
@article{arxiv.2307.02804,
title = {OLR-WA Online Regression with Weighted Average},
author = {Mohammad Abu-Shaira and Greg Speegle},
journal= {arXiv preprint arXiv:2307.02804},
year = {2023}
}