机器学习笔记2：线性回归

机器学习笔记2：线性回归

Andrew Ng机器学习课程学习笔记2

---

线性回归

参数说明：
　　θ_i:parameters，参数
　　x:input，输入
　　y:output，输出
　　h:hypothesis，假设
　　m:数据数量
回归方程：
　　一元线性的回归方程的一般格式如下，用于反应输出与输入之间的关系。
$$h_{\theta }(x)={\theta }_0+{\theta }_{1}x$$
cost function：
　　代价函数，就是h_θ(x)与源数据的误差的平方的平均数，用来反应h_θ(x)的准确度。
$$J({\theta }_1,{\theta }_2)=\frac{1}{2m}\sum _{i=1}^m(h_{\theta }(x^{(i)})-y^{(i)}{)}^2$$
目标：
　　目标就是让代价函数最小。
$$\begin{array}{c}minimize\\ {\theta }_1,{\theta }_2\end{array}J({\theta }_1,{\theta }_2)$$
Gradient descent
　　梯度下降法，最小化代价函数的一种方法。该法是从某组参数θ₁,θ₂开始，不断地改变θ₁,θ₂的值，以使代价函数最小（或局部最小）。而这个改变的方法是在原来的参数基础上，减去一个数，这个数就是损失函数的导数再乘以一个速率α。
　　具体的实现如下：
　　repeat until convergence{
　　${\theta }_j:={\theta }_j-\alpha \frac{\partial J({\theta }_1,{\theta }_2)}{\partial {\theta }_j}for(j=0andj=1)$
　　}
　　α是学习速率，若值过高，会无法收敛，找不到最小值；若过低，则收敛特别慢，需选择合适的值。
　　而且，该方法的结果跟θ₁,θ₂的初值有很大关系，θ₁,θ₂处值不同可以会得到不同的结果。
注意，要同时更新每个θ_j，不可以分时更新。换句话说，算出θ₀的值后，不能马上把这个值赋给θ₀，而是应该用旧的θ₀的值，算出θ₁之后，再同时更新这两个值。

多变量的线性回归
　　上文所都是关于单一变量的情况，现在将器扩展为多变量的情况（即多个输入，多个x）。
　　n:变量参数的个数
　　x_j⁽ⁱ⁾:变量j的第i个input，输入
　　x₀：值为1，把这个当成第0个变量，实际不存在，是为了写成向量的方便，使输入矩阵x与参数矩阵θ列数一致
　　多变量的梯度下降法，与单变量的一样，也是最小化代价函数的一种方法。该法是从某组参数θ₁,θ₂…θ_j开始，不断地改变θ₁,θ₂…θ_j的值，以使代价函数最小（或局部最小）。
　　具体的实现如下：
　　repeat until convergence{
　　${\theta }_j:={\theta }_j-\alpha \frac{\partial J({\theta }_1,{\theta }_2,...,{\theta }_j)}{\partial {\theta }_j}for(j=0,1,..,j)$
　　}
　　用这个计算式的时候，还是得注意要同时改变各个参数的值。此外，使用前需要将多余的变量（比如高度线性相关的变量）删掉，还需归一化各个变量，这个归一化不需要特别严格，只需要让各个输入量的量级一样即可。