本文重点
在前面的课程中我们学习了多特征的线性回归模型,本文我们将基于梯度下降算法来对多特征模型进行参数学习。其实我们之前学习了单变量的线性回归模型的训练,对于多特征线性回归模型来说,本质上一样的,只不过单变量的线性回归模型只更新一个模型参数θ1,而多特征线性回归模型会一次性更新多个模型参数θ,θi…θj。
多特征线性回归模型的假设函数和损失函数
ℎθ() = θ0 + θ1x1 + θ2x2+…+θjxj
梯度下降
有了损失函数我们自然是要找到损失函数的最小值,那么使用的方式就是梯度下降了
我们将偏导数展开可以得到梯度下降的公式为:
其中x0(i)=1,我们开始初始化选择一系列的参数值θ,然后同时更新θ0、 θ1、θ2……θn,实现梯度下降,从而找到最终的θ,找到最能拟合数据的假设函数,这就是多变量的梯度下降计算过程,这个和单变量的是一样的。
使用梯度下降完成多特征线性回归模型的拟合并没有什么特殊的,就是一次梯度下降同时更新多个模型的参数,每个特征对应一个参数,特征多了,那么模型的参数自然就多了。