本文介绍了多线性回归的概念，作为对吴恩达机器学习或深度学习课程的一个笔记。在预测房价的场景中，从单个特征的线性模型扩展到包含多个特征（如房子面积、卧室数量、楼层和建筑年龄）的多线性回归模型。模型表达式为权重向量W与特征向量X的点积加上偏置项b，用于估计房价。
2022吴恩达机器学习（Deep learning）课程对应笔记15
多线性回归
更新时间：2023/03/20
概述
回忆一下我们之前讲到的线性回归案例，在预测房价时，我们只有一个输入变量，也就是一个特征，所以模型是 f w , b ( x ) = w x + b f_{w,b}(x)=wx+b fw,b(x)=wx+b
但是现在，我们在预测房价时知道了更多的信息，也就是更多的特征（
x
=
{
x
1
,
x
2
,
x
3
,
x
4
}
x=\{x_1,x_2,x_3,x_4\}
x={x1,x2,x3,x4}）
- x 1 x_1 x1表示房子面积，
- x 2 x_2 x2表示房子的卧室数量
- x 3 x_3 x3表示房子的楼层
-
x
4
x_4
x4表示房子建筑年龄
所以我们要建立模型就从原来的线性模型：
f w , b ( x ) = w x + b f_{w,b}(x)=wx+b fw,b(x)=wx+b
变成了：
f w , b ( x ) = w 1 x 1 + w 2 x 2 + w 3 x 3 + w 4 x 4 + b f_{w,b}(x)=w_{1}x_{1}+w_{2}x_{2}+w_{3}x_{3}+w_{4}x_{4}+b fw,b(x)=w1x1+w2x2+w3x3+w4x4+b - 其中b可以理解成房子的起拍价格
上式，通常会用向量的写法：
f
w
,
b
(
x
)
=
w
1
x
1
+
w
2
x
2
+
w
3
x
3
+
w
4
x
4
+
b
=
W
⋅
X
+
b
f_{w,b}(x)=w_{1}x_{1}+w_{2}x_{2}+w_{3}x_{3}+w_{4}x_{4}+b\\=\textbf{W}\cdot\textbf{X}+b
fw,b(x)=w1x1+w2x2+w3x3+w4x4+b=W⋅X+b
上面这个模型，我们就讲它称为多线性回归模型
688
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
