本文探讨了多变量线性回归中的关键概念，包括代价函数的计算、使用梯度下降法进行参数优化，特别强调了特征缩放、学习率调整以及多项式回归的应用。通过实例演示如何设置合适的学习率并检测收敛，并介绍了多项式回归的变量代换方法。
多变量线性回归
表示方法
代价函数
(x_0=1)
梯度下降法
some tricks
特征缩放：各特征的取值范围相似 建议[-1,1] 或标准归一
学习率：if Gradient descent not working.Use smaller α.（α大，maybe 冲过最小值）
because For sufficiently small α,J(θ) should decrease on every iteration.
选取学习率的方法：0.001，0.003，0.01，0.03，0.1，0.3，1
判定梯度下降法收敛的方法：绘制J(θ)随迭代次数增加的曲线
多项式回归：采用变量代换
扫一扫
2576
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
