一、单变量线性回归只含有一个特征变量，模型可表示如下：
h θ ( x ) = θ 0 + θ 1 x h_{\theta }\left ( x \right )=\theta _{0}+\theta _{1}x hθ(x)=θ0+θ1x
其中θ0、θ1是模型参数，参数的选择决定了预测值与实际值的差距，这种差距用代价函数表示：
J ( θ 0 , θ 1 ) = 1 2 m ∑ ( h θ ( x ( i ) ) − y ( i ) ) 2 （ m 为 训 练 样 本 的 数 量 ） J\left ( \theta _{0},\theta _{1} \right )=\frac{1}{2m}\sum \left ( h_{\theta}\left ( x^{\left ( i \right )} \right )-y^{\left ( i \right )} \right )^{2}（m为训练样本的数量） J(θ0,θ1)=2m1∑(hθ(x(i))−y
本文介绍了线性回归的概念，包括单变量和多变量线性回归模型，以及代价函数。讨论了梯度下降法和正规方程两种求解最小化代价函数的方法，并提供了实践中的技巧和注意事项。通过吴恩达机器学习课程的实例，展示了如何用Python实现梯度下降法进行单变量线性回归，并进行了模型调试。同时，比较了梯度下降和正规方程在模型训练中的效果，最后提到了scikit-learn库在实现线性回归中的应用。
最低0.47元/天 解锁文章
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
