线性回归处理的是回归问题,也就是通过过去的数据去预测未来的结果,而且形成的函数始终是连续的。
线性回归模型
h(x)=θx+b(目标就是要求得较好的θ和b的值,使得代价函数越小越好)
找最优解的两种方法
寻找最优解有两种方法,一个是Gradient decent,另一个是Normal equation。最优解可以使代价函数取到最小值。
1、Gradient decent
什么是梯度呢?梯度是函数在某个点上增加速度最快的方向。而梯度下降法则是要找到损失函数某个点上的逆梯度方向,也就是梯度的反方向,这个方向上损失函数下降最大。
(1) feature scale 特征缩放
在梯度下降的过程中,为了减小样本数据波动使得梯度下降能够更加快速的寻找到一条捷径,要尽量保证所有的特征取值范围在-1到1之间,这样可以大大提高梯度下降的效率。
(2)mean normalization 均值归一化
均值归一化是实
线性回归总结
最新推荐文章于 2024-05-22 13:59:34 发布
本文深入探讨线性回归,包括模型定义、梯度下降和正规方程寻找最优解的方法,以及线性回归在实际中的应用。讨论了特征缩放、均值归一化和学习率对模型训练的影响,并提到了在不同样本数量下选择优化方法的策略。
摘要由CSDN通过智能技术生成