线性回归算法

原文地址:http://blog.kamidox.com/gradient-descent.html

                梯度下降算法流程图:

 

                 

                正则化:

                        定义:  

                               解决模型过拟合问题的一种方法。保留所有特征,减少特征的权重\theta_j的值,确保

                        所有的特征对预测值都有少量的贡献。

                        公式:

                              成本函数:

                                      $$J(\theta)=\frac{1}{2m}[\sum\limits_{i=1}^m(h_\theta(x^{(i)})-y^{(i)})^2+\lambda\sum\limits_{j=1}^n\theta_j^2]$$

                              迭代函数:

                                $$\theta_j=\theta_j-\alpha\frac{1}{m}\sum\limits_{i=1}^m[(h(x^{(i)})-y^{(i)})x_j^{(i)}+\frac{\lambda}{m}\theta_j]\newline$$ $$\indent\quad=\theta_j(1-\alpha\frac{\lambda}{m})-\alpha\frac{1}{m}\sum\limits_{i=1}^m(h(x^{(i)})-y^{(i)})x_j^{(i)}$$

 

 

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值