机器学习心得——线性回归(一)
最近比较闲,有些自由支配的时间,准备开始重新开始读西瓜书了。只读不练这个思路是不得行的,从今天开始边读书边实现算法,不能做一个只会调包的假程序猿了。
目录
- 线性回归的基本形式
- 梯度下降
- 代码实现
线性回归的基本形式
基本形式:
在线性模型中,我们需要求得向量theta,使得估计值与真实值之间均方误差足够小,于是通过梯度下降法,不断更新参数,即可学习得到theta的值。
梯度下降法
我们知道,梯度方向是函数值下降最快的方向,梯度下降法应用的就是这一原理。
在微积分里面,对多元函数的参数求∂偏导数,把求得的各个参数的偏导数以向量的形式写出来,就是梯度。比如函数f(x,y), 分别对x,y求偏导数,求得的梯度向量就是(∂f/∂x, ∂f/∂y)T