四、多元线性回归

1 符号定义

m：训练集的样本个数
n：特征的数量
x⁽ⁱ⁾：第i个训练样本的特征向量
x_j⁽ⁱ⁾：第i个训练样本的第j个特征

2 多元线性回归的定义

因特征数不止一个，则此时我们的假设函数变为：

其中x和θ可以写作向量格式h_θj(x) = θ^Tx

3 梯度下降法确定参数θ

发现算法和单特征的线性回归差别并不大

4 特征缩放

当两个特征取值的范围差别很大时（什么时候算差距很大由自己经验来定），比如北京的房价和房子所处位置为几环，那么绘制出的等高线会是非常椭的椭圆，在这样的模型上使用梯度下降，会使θ的取值呈震荡式前进：
如果进行特征缩放，等高线图就会近似为圆，学习速度将会加快，我们缩放的方法有多种，常用方法有：

1. 同时除以该特征取到的最大值；
2. 同时减去该特征的平均值，再同时除以该特征的最大值与最小值之差；
3. 同时减去该特征的平均值，再同时除以该特征取到的最大值；

5 学习率

当遇到以下情况时，请使用较小的学习率α值

学习率要尝试，直到找到较好的，收敛较快的学习率值，一般从较小的α开始，逐渐增大。

6 特征合并和多项式回归

6.1 特征合并

当有两个特征进行组合可以得到新的特征时，不妨用新特征去表示这两个特征，比如可以用面积来表示物体的长和宽，这样可以减少特征数量。

6.2 多项式回归

当单特征回归的特征点呈这样的分布时

我们可以用二次或者三次函数来回归，此时重新定义两个特征x₁, x₂，就可以将单特征的非线性回归转化为多元线性回归问题。
当然，也可以使用这用方程来拟合数据：

注意：此时特征缩放变得尤为重要。

学到这里可能感觉该如何选取特征是一件很玄学的事情，有好多种特征选取方案来拟合不同的方程，往后的课程将会学习用来选择合适的特征的算法。

7 正规方程

7.1 步骤

1. 对于已有训练集，增加一组x₀=1的数据，将所有样本的所有特征组成一个特征矩阵X，X维度为m*(n+1)，y的维度为m*1；
   

2. 则按下式即可计算得可以令代价函数J最小化的θ向量。
   

7.2 优点

1. 不用选择学习率
2. 不用多次迭代

7.3 不足

1. 当n很大（特征数量大于一万时）计算起来会很慢，而此时梯度下降法反而较快。
2. 计算矩阵转置成绩的逆时间复杂度为O(n³)

7.4 如果矩阵不可逆该如何求解正规方程

在octave软件中使用pinv()命令即可，不论矩阵可不可逆

• 当1. 特征间彼此相关或者 2. 特征数量太多（多于训练样本数）时会出现不可逆的情况。
• 也可以使用正则化（Regulation）的方法来解决，以后课程会讲解。

8 用向量表达

8.1 对h(x)的表示

8.2 对θ的更新

θ = θ - α·δ
其中 ：
θ = [θ₀, θ₁, θ₂, …, θ_n]^T
α是常数，学习率
δ = [δ₀, δ₁, δ₂, …, δ_n]^T

• x⁽ⁱ⁾：第i个训练样本的特征向量
• x_j⁽ⁱ⁾：第i个训练样本的第j个特征