一、多特征符号意义说明:
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/d59061b9d4f04dfd9794744606801c4e.png)
- x下标j:表示第j个特征
- x上标i:表示第i个样本的所有特征,是一个行向量
- x上标i下标j:表示第i个样本的第j个特征,是一个数
二、多特征模型表示:
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/8f5f2ad9451c430e8a923215cbbbb8c8.png)
三、Numpy向量表示、内积计算:
1.向量表示:
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/d66b32e66c2143f88666f2c3de1732f8.png)
向量内积相比于单变量更易编写、易读。
2.内积计算:
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/224cd19adcaf4fcc8a6e5fef2534e512.png)
使用向量内积计算相比与传统for循环速度更快。(原理是Numpy对于硬件并行使用,加速机器学习作业)
四、多元线性回归模型的梯度下降算法:
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/7bfb66e4fdec4ab68a24622ca3bcaa12.png)
- 同一个参数的梯度下降,每个参数分别计算参数值。
- 黄色部分为计算梯度,对损失函数求该参数的偏导。