前言
学以致用,以学促用,通过笔记总结,巩固学习成果,复习新学的概念。
目录
文章
正文
本节学习内容主要为多元线性回归
模型引入
引入问题,上次那个一元线性回归模型还是过于简略,并不符合实际情况,毕竟实际上我们买房的时候会考虑,楼层啊,地段等等之类的因素,而不是只考虑面积这一个因素。
多元回归的模型,为了方便之后的计算,对特征新增一项
x
0
=
1
x_0=1
x0=1
多元梯度下降
为了方便公式的推导,我们将
θ
0
.
.
.
θ
n
\theta_0...\theta_n
θ0...θn简化为
θ
\theta
θ.
多元梯度回归相比于之前的变化,以及具体实现的细节。
技巧1 特征压缩
因为,每个特征的原始尺度不同,因此,需要对其进行压缩,以方便后面的学习算法对其进行学习。
特征压缩第一步,让每个特征的范围为[-1,1]
特征压缩第二步,让每个特征的均值为0.
梯度下降2:学习率
梯度下降算法的细节2,学习率对梯度算法的影响。
如何确认梯度下降算法是否正常工作?通过画出每一步误差函数的变化确认,算法工作正常。
学习率的大小对梯度算法运行的影响。
这里总结了学习率的影响,以及如何选择学习率。
多项式回归
只有一个原始数据,也可以通过对它取各次幂变成多元回归。
梯度下降只是一种解决方法,还可以用正规方程获得解析解。
迭代求解方法。
使用正规方程求解的例子
正规方程和梯度下降求解的比较。
补充内容
正规方程求解的问题,如果矩阵不可逆?
矩阵不可逆的原因。
作业答案
多元和单元的写在一块儿的,参见第二周:线性回归