[机器学习实验1]Linear Regression

线性回归分析，最简单的一个预测模型，也属于机器学习中的监督学习的范畴，这里主要对LINEAR REGRESSION I这部分的实验做个记录。
具体的理论要去看Andrew Ng大神的机器学习课程http://cs229.stanford.edu
问题如下：

对提供的数据进行线性回归并分析几个问题。题目链接http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=MachineLearning&doc=exercises/ex2/ex2.html

原理和公式在课程的笔记中有

h(x)就是我们要求的预测函数，θ是我们要进行迭代求最优解的参数，x是输入变量，一般维度比较大，比如和n个因素相关，那么就是n维的。

这里的α称为学习率learning rate。

J（θ）函数为cost function既代价函数，我们迭代的公式就是由它推出来的，推导过程很简单，一阶导即可。

下面附上matlab代码：

function LinearRegression()
x = load('ex2x.dat');%年龄
y = load('ex2y.dat');%身高
figure % open a new figure window
plot(x, y, 'o');
ylabel('Height in meters')
xlabel('Age in years')
m = length(y); % store the number of training examples
x = [ones(m, 1), x]; % Add a column of ones to x
theta = ones(size(x(1,:)))'; % initialize fitting parameters
N=1500;%迭代次数
alph = 0.07;
sum = [0;0];
for i=1:N
%%这里这样写死因为写C写习惯了。。不习惯matlab的矩阵方式，但是用它矩阵来就很简单的两句就算出来了 
    %%Here is the gradient
   %grad = (1/m).* x' * ((x * theta) - y);
    %%Here is the actual update
   %theta = theta - alpha .* grad;

    for j=1:m
    h= x * theta;
    sum(1,1) =sum(1,1)+ (h(j,1)-y(j,1))*x(j,1)/m;
    sum(2,1) =sum(2,1)+ (h(j,1)-y(j,1))*x(j,2)/m;
    end
    theta(1,1) = theta(1,1)-alph*sum(1,1);
    theta(2,1) = theta(2,1)-alph*sum(2,1);
    sum(1:2)=0;
end
hold on % Plot new data without clearing old plot

plot(x(:,2), x*theta, '-') % remember that x is now a matrix with 2 columns
                           % and the second column contains the time info
legend('Training data', 'Linear regression')
predic_x1=[1,3.5];
ans_3point5 = predic_x1*theta;
predic_x2=[1,7];
ans_7 = predic_x2*theta;
theta
ans_3point5
ans_7
end

代码运行的结果


我们可以根据我们求出的h（x）方程预测年龄是3.5和7的孩子的身高。
最后还有对代价函数的一些理解，代价函数一般是高维度（和x同维度），所以一般是不画出来的，但是这个例题中的维度是2，所以可以画出来，是碗状的，说明不存在局部最优解，只存在全局最优解，那么毫无疑问地说明LMS算法得到的最优解就是全局最优解了。

转载请注明出处：http://blog.csdn.net/gyh_420/article/details/77658058