机器学习基础（二）多元线性回归模型 分类： 机器学习 ...

变量多于两个时，线性回归模型就变成了多元线性回归模型：

代价函数为：

线性回归模型的训练（就是用梯度下降法求解最小代价函数）需要注意一些问题：

1.的值

1和2的值相差太多时，梯度下降法难以收敛

2.学习速率

代价函数应该是递减的，如果代价函数不减反增，那么很可能是学习速率太大，跳过了极小值。

3.代价函数

代价函数必须是凸的，否则一样存在难以收敛的问题

4.过拟合

特征参数选的过多了，也就是n过大，会使模型对于新的数据预测准确性降低。

解决方法：减少特征参数；合并线性相关项；正则化；

多元线性回归模型的求解也可以通过Normal Equation的求解（其实就是通过矩阵变换求解线性方程），求解Normal Equation的好处是不用担心特征参数相差过多，不过变量矩阵必须是可逆的。

参考练习：http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=MachineLearning&doc=exercises/ex3/ex3.html

x = load('ex3x.dat');
y = load('ex3y.dat');

x = [ones(size(x,1),1) x];
%Normal equation
theta = (x'*x)\x'*y
x1=[1 1650 3];
y=x1*theta


meanx = mean(x);
sigmax = std(x);
x(:,2) = (x(:,2)-meanx(2))./sigmax(2);
x(:,3) = (x(:,3)-meanx(3))./sigmax(3);

figure
itera_num = 100;
sample_num = size(x,1);
alpha = [0.01, 0.03, 0.1, 0.3, 1, 1.3];
plotstyle = {'b', 'r', 'g', 'k', 'b--', 'r--'};

theta_grad_descent = zeros(size(x(1,:)));
for alpha_i = 1:length(alpha) 
    theta = zeros(size(x,2),1);
    Jtheta = zeros(itera_num, 1);
    for i = 1:itera_num     
        Jtheta(i) = (1/(2*sample_num)).*(x*theta-y)'*(x*theta-y);
        grad = (1/sample_num).*x'*(x*theta-y);
        theta = theta - alpha(alpha_i).*grad;
    end
    plot(0:49, Jtheta(1:50),char(plotstyle(alpha_i)),'LineWidth', 2)
    hold on
end
legend('0.01','0.03','0.1','0.3','1','1.3');

  theta = zeros(size(x,2),1);
  for i = 1:itera_num     
       grad = (1/sample_num).*x'*(x*theta-y);
       theta = theta - 1.*grad;
  end
theta
x2=[1 1650 3];
x2(:,2)=x2(:,2)*sigmax(2)+meanx(2);
x2(:,3)=x2(:,3)*sigmax(3)+meanx(3);
y=x2*theta

参考资料http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=MachineLearning

版权声明：本文为博主原创文章，未经博主允许不得转载。

转载于:https://www.cnblogs.com/learnordie/p/4656971.html