【机器学习】coursera学习笔记(三) 多变量线性回归

机器学习(三)

• 对应课程：
  coursera 2014吴恩达《机器学习》
  第四章：多变量线性回归Linear Regresssion with multiple variables

1. 多维特征

1.1 房价预测问题

加入更多特征，例如size, number of bedrooms/ floors, age of home

- n：特征个数
- m ：样本个数
- $x^{(i)}$： 表示第i个训练样本的特征向量，i是训练集的一个索引。不表示次方，而表示第i行；
- $x_j^{(i)}$ ：表示第i个训练样本对应第j个特征的值。例如：

$$x^{(2)} = \begin{bmatrix} 1406 \\ 3\\ 2\\ 40 \end{bmatrix}即第二个训练样本的特征向量\\ x_3^{(2)} = 2 表示的是第二个训练样本的x3特征number of floors的值$$

1.2 支持多变量的假设h

• 扩展之前的$h_\theta(x) = \theta_0 + \theta_1x_1$为：

$$h_\theta(x) = \theta_0 + \theta_1x_1 + \theta_2x_2 + ... + \theta_nx_n$$

• 简化上述公式：
  
  define:x0=1,x和θ均为(n+1)维向量X=⎡⎣⎢⎢⎢⎢⎢x0