![Page 1: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/1.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Multivariate Lineare Regression
Christian Herta
Oktober, 2013
1 von 34 Christian Herta Multivariate Lineare Regression
![Page 2: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/2.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Lernziele
Multivariate Lineare Regression
Konzepte des Maschinellen Lernens:Kostenfunktion (cost function)Gradientenabstiegsverfahren (gradient descent)Umskalieren der Input-Daten
2 von 34 Christian Herta Multivariate Lineare Regression
![Page 3: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/3.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Outline
1 Problemstellung
2 Gradient Descent
3 Feature Scaling
4 Praxis
5 Basis Funktionen
3 von 34 Christian Herta Multivariate Lineare Regression
![Page 4: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/4.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Multivariare Regression
Überwachtes Lernen (supervised learning):
m Beobachtungen (Trainingsbeispiele) mitn Merkmale (Features): 1 ≤ j ≤ n (bisher n = 1):
Input-Features x(i) des i-ten Trainingsbeispiels:
x(i) = x
(i)1, x
(i)2, . . . , x
(i)n
i-ten Zielwert y (i)
x(i)j : Wert des Features j für das i-te Trainingsbeispiel
Ziel: Vorhersage eines Wertes y für einen neuen Wert für x.
4 von 34 Christian Herta Multivariate Lineare Regression
![Page 5: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/5.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Beispiel: Boston-Dataset zur Vorhersage der Hauspreise
#load data
from s k l e a r n . d a t a s e t s import load_bostonboston = load_boston ( )pr in t boston .DESCR# f e a t u r e names
boston . feature_names# f e a t u r e s
boston . data# house p r i c e :
boston . t a r g e t
5 von 34 Christian Herta Multivariate Lineare Regression
![Page 6: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/6.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Multiple Features
6 von 34 Christian Herta Multivariate Lineare Regression
![Page 7: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/7.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
7 von 34 Christian Herta Multivariate Lineare Regression
![Page 8: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/8.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Multivariare Lineare Regression
Lineares Modell, d.h. linear bezüglich der Parameter Θj
auch (erstmal) linear bezüglich der xj
hΘ(x1, . . . , xn) = Θ0 + Θ1 · x1 + . . .Θn · xn = Θ0 +n∑
j=1
Θjxj
8 von 34 Christian Herta Multivariate Lineare Regression
![Page 9: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/9.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Beispielplot
Datenpunkte und beste Hypothese(Ebene).
9 von 34 Christian Herta Multivariate Lineare Regression
![Page 10: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/10.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Vektor-Darstellung
h~Θ(~x) = Θ0 + Θ1x1 + Θ2x2 + · · ·+ Θnxn = ~ΘT · ~x = ~xT · ~Θ
mit
~x =
x0 = 1x1x2. . .xn
~Θ =
Θ0
Θ1
Θ2
. . .Θn
10 von 34 Christian Herta Multivariate Lineare Regression
![Page 11: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/11.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Outline
1 Problemstellung
2 Gradient Descent
3 Feature Scaling
4 Praxis
5 Basis Funktionen
11 von 34 Christian Herta Multivariate Lineare Regression
![Page 12: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/12.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Problemstellung
Hypothese: hΘ(~x) = ~ΘT~x = Θ0x0 + Θ1x1 + . . .Θnxnmit x0 = 1
n + 1 Parameter: ~ΘT = (Θ0,Θ1, . . . ,Θn)
Minimierung der Kostenfunktion J:
J(~Θ) =1
2m
m∑i=1
(hΘ(~x (i))− y (i))2
12 von 34 Christian Herta Multivariate Lineare Regression
![Page 13: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/13.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Gradient Descent
Wiederhole bis Konvergenz erreicht ist:
Θj ← Θj − α∂
∂Θj
J(Θ)
Beachte bei Implementierung: Simultanes Update für alle Θj
13 von 34 Christian Herta Multivariate Lineare Regression
![Page 14: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/14.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Vektorform: Gradient Descent
Mit der De�nition des Gradienten:
grad(J(Θ)) = ∇J(Θ) =
∂J(Θ)∂Θ0∂J(Θ)∂Θ1
. . .∂J(Θ)∂Θn
~Θneu ← ~Θalt − α · grad(J(Θalt))
14 von 34 Christian Herta Multivariate Lineare Regression
![Page 15: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/15.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Update Rule
∂
∂Θj
J(Θ) =∂
∂Θj
1
2m
m∑i=1
(hΘ(~x (i))− y (i))2
=∂
∂Θj
1
2m
m∑i=1
(~ΘT · ~x (i) − y (i))2
Ergibt folgende Update Rules für alle n + 1 Θj mit 0 ≤ j ≤ n:
Θj ← Θj − α1
m
m∑i=1
(~ΘT · ~x (i) − y (i))x(i)j
15 von 34 Christian Herta Multivariate Lineare Regression
![Page 16: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/16.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Vektorform der Update Rule
~Θneu ← ~Θalt − α 1
m
m∑i=1
(~ΘT · ~x (i) − y (i))~x (i)
16 von 34 Christian Herta Multivariate Lineare Regression
![Page 17: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/17.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Outline
1 Problemstellung
2 Gradient Descent
3 Feature Scaling
4 Praxis
5 Basis Funktionen
17 von 34 Christian Herta Multivariate Lineare Regression
![Page 18: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/18.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Feature-Scaling: Skalieren der x-Werte
Idee: Werte aller Features (Merkmale), d.h. alle xj , sollen etwa imBereich
−1 . xj . 1
liegen.
Wie könnte dies erreicht werden ??
18 von 34 Christian Herta Multivariate Lineare Regression
![Page 19: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/19.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Feature-Scaling: Skalieren der Features
Berechnen der umskalierten Features xj mittels Standardisierung(z-Transformation):
x ′j =xj − µjstd(xj)
mit
µj = xj =∑
i x(i)j /m: Mittelwert für xj
std(xj) =√
var(xj): Standardabweichung von xj
var(xj) = (xj − µj)2 = x2j − µ2j : Varianz von xj
Für die transformierten Daten x ′ ist der Mittelwert 0 und dieStandardabweichung 1.
19 von 34 Christian Herta Multivariate Lineare Regression
![Page 20: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/20.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Outline
1 Problemstellung
2 Gradient Descent
3 Feature Scaling
4 Praxis
5 Basis Funktionen
20 von 34 Christian Herta Multivariate Lineare Regression
![Page 21: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/21.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Implementierung mit Vektoren und Matrizen
Daten als Matrix X mit Xij ≡ x(i)j
Zeilen i : einzelnen Datensätze ~x (i)
Spalten j : für die einzelnen Features mit x(i)0
= 1
Vorhersagen für alle Datensätze in Matrix X : ~h(X) = X · ~Θz.B: bei 3 Features und 700 Trainingsdaten mit numpy:I n [ 9 ] : X . shapeOut [ 9 ] : (700 , 4)I n [ 1 0 ] : t h e t a . shapeOut [ 1 0 ] : ( 4 , )I n [ 1 1 ] : h = X. dot ( t h e t a )Out [ 1 1 ] : a r r a y ( [−1.3 , . . .I n [ 1 2 ] : h . shapeOut [ 1 2 ] : ( 700 , )
21 von 34 Christian Herta Multivariate Lineare Regression
![Page 22: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/22.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Vektorisierte Form der Update Rule mit Daten-Matrix X
aus der vektorisierten Form der Update Rule
~Θneu ← ~Θalt − α 1
m
m∑i=1
(h(~x (i))− y (i))~x (i)
ergibt sich mit der Daten-Matrix X
~Θneu ← ~Θalt − α 1
mXT · (~h(X)− ~y)
in Python:t h e t a = the t a − a lpha ∗ ( 1 . 0 / m) ∗ X.T. dot ( h − y )
22 von 34 Christian Herta Multivariate Lineare Regression
![Page 23: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/23.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
O�ene Fragen
Update Rules:
Θj ← Θj − α∂
∂Θj
J(Θ)
�Debuggen�: Wie kann man überprüfen, ob die �GradientDescent� Implementierung funktioniert?
Wie soll man die Lernrate α wählen?
23 von 34 Christian Herta Multivariate Lineare Regression
![Page 24: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/24.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Funktioniert �Gradient Descent�?
Ziel: minΘJ(Θ)Auftragen von J(Θ) über den Interationen (Epochen): J(Θ) mussin jeder Iteration kleiner werden.
24 von 34 Christian Herta Multivariate Lineare Regression
![Page 25: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/25.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Lernrate α - zu kleine Werte
Beispieldatensatz: Boston house-price data
25 von 34 Christian Herta Multivariate Lineare Regression
![Page 26: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/26.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Lernrate α - zu groÿe Werte
Beispieldatensatz: Boston house-price data
26 von 34 Christian Herta Multivariate Lineare Regression
![Page 27: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/27.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Wahl von α
Wenn α zu klein ist → langsame Konvergenz
Wenn α zu groÿ ist, eventuell keine Konvergenz:J wächst (oder oszilliert)
Versuche mit verschiedenen α, z.B.:0.001, 0.003, 0.01, 0.03, 0.1, · · ·
27 von 34 Christian Herta Multivariate Lineare Regression
![Page 28: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/28.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Feature-Scaling: Θ für unskalierte Features x
x ′ =x −mean(x)
std(x)=
x − µσx
Lernen ergibt modi�zierte Parameter : Θ′0und Θ′
1
h(x) = Θ0′ + Θ1
′x ′
= Θ0′ + Θ1
′ · x − µσx
= (Θ0′ −Θ1
′ · µσx
) +Θ1
′
σx· x
d.h.
Θ0 = Θ′0 −Θ′
1 ·µ
σx
Θ1 =Θ′
1
σx
28 von 34 Christian Herta Multivariate Lineare Regression
![Page 29: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/29.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Outline
1 Problemstellung
2 Gradient Descent
3 Feature Scaling
4 Praxis
5 Basis Funktionen
29 von 34 Christian Herta Multivariate Lineare Regression
![Page 30: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/30.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Multivariare Lineare Regression
Bisher: Linearität bezüglich der Inputs xi (starke Einschränkung)
hΘ(~x) = Θ0 +n∑
j=1
Θjxj
Erweiterung: Ersetzen der xj mit Basisfunktionen φj(~x):
hΘ(~x) = Θ0 +n∑
j=1
Θjφj(~x)
Immer noch lineares Modell, da linear bezüglich der Parameter Θj
30 von 34 Christian Herta Multivariate Lineare Regression
![Page 31: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/31.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Beispiele für Basisfunktionen
Polynome:φj(~x) = x21
φj(~x) = x1 · x3�Gaussian Basis Funktion�
φj(~x) = exp{−(x − µj)2
2σ2j}
31 von 34 Christian Herta Multivariate Lineare Regression
![Page 32: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/32.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Features
Transformation der Rohdaten ~xi in Features ~φ(~xi )
Beispiel:Vorhersage des Preises von rechteckigen Grundstücken:Rohdaten: Länge x1 und Breite x2.statt: hθ = Θ0 + Θ1 · laenge + Θ2 · breite
mit der �Fläche� als Feature φ1: �aeche = laenge · breite
h′θ = Θ′0
+ Θ′1· �aeche
32 von 34 Christian Herta Multivariate Lineare Regression
![Page 33: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/33.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Polynominale Regression
siehe Bild Lsf.gif
33 von 34 Christian Herta Multivariate Lineare Regression
![Page 34: Multivariate Lineare Regression - christianherta.de · ProblemstellungGradient DescentFeature ScalingPraxisBasis Funktionen Multivariate Lineare Regression Christian Herta Oktober,](https://reader030.vdocuments.net/reader030/viewer/2022041208/5d65eba888c993047c8bcc51/html5/thumbnails/34.jpg)
Problemstellung Gradient Descent Feature Scaling Praxis Basis Funktionen
Literaturangabe
Andrew Ng: Machine Learning (Stanford OpenClassroom)
Weiterführende Literatur:
C. Bishop: Pattern recognition and Machine Learning,Springer Verlag 2006
34 von 34 Christian Herta Multivariate Lineare Regression