本文探讨了机器学习的基础方法——线性回归，源于Andrew Ng的机器学习课程。线性回归通过寻找最佳直线拟合训练数据，用于预测新数据。平方损失函数用于衡量模型误差，梯度下降算法用于求解最小化误差的参数。实践中，使用批量梯度下降法，通过矩阵运算提高计算效率。案例以预测男性年龄与身高的关系为例，展示了线性模型的构建和预测能力。
还是要打牢基础吧，再做做机器学习最基本的方法和技术。这个练习是线性回归，来自Andrew Ng的 机器学习课程http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=MachineLearning&doc=exercises/ex2/ex2.html。
线性回归是有监督的学习方法，给定一些训练数据，我们要找到数据中存在的规律，线性回归就是假定存在一条直线能够拟合训练数据，这样再给新的数据时，就可以用训练好的回归模型来对新数据作出预测。线性回归实质上式对输入样本的特征进行线性组合的结果，就是对输入的线性表达。
假设给定训练数据
用平方损失函数计算回归模型与真实值的误差：
模型h就是线性模型，参数为theta。要求出最优的theta能使损失最小，就是使预测值尽量接近真实值。可以采用梯度下降算法来找出这样的theta。对于这个最小二乘问题&#x
最低0.47元/天 解锁文章
扫一扫
1338
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
