本文介绍了初学者如何使用梯度下降算法，强调了特征缩放法、均值归一化以及学习率调整在加快算法收敛速度中的作用。特征缩放有助于形成更直线的收敛路径，均值归一化是为了进一步加速收敛，而合适的学习率α值对避免不收敛或收敛过慢至关重要。
梯度下降算法
注：
- :=是赋值的意思
- 右边错误是因为temp1中采用了更新后的θ0，而梯度下降算法中要求的是同时更新；右边是另外一种算法
- α太大，可能会导致不收敛
线性代数知识：
矩阵的加减乘除算法、单位矩阵、逆矩阵运算、矩阵的转置定义相关知识
特征缩放法
目的：加快梯度下降算法的收敛速度。
问题描述：如上左图，如果取值θ1=（0 ，5），θ2=（0，2000），则代价函数的2D图会如左图所示，很狭长，在用梯度下降算法寻找最小值的路线可能是弯弯曲曲，需要废掉很长的时间；
当我将θ1，θ2取值分别除以他的取值长度5，2000后，得到的取值范围再画2D图（
最低0.47元/天 解锁文章
475
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
