本文介绍了多元线性回归的概念，包括多特征假设函数和多变量梯度下降算法。讨论了特征缩放的重要性，如均值归一化，以及如何调试梯度下降算法的学习速率。此外，还涉及特征选择和多项式回归的应用。
其实第二周刚开始的部分是环境配置说明（Environment Setup Instructions），主要是Octave和Matlab的安装说明和一些教程类的东西，那个教程还是比较有用的，我把它写在参考资料里面了。
1 多特征（Multiple Features）
1.1 变量说明
| 变量名称 | 变量含义 |
|---|---|
| x(i) j | 第i个训练实例中的第j的特征值 |
| x(i) | 第i个训练实例 |
| m | 训练集中训练实例的数量 |
| n | 每个训练实例中特征的个数 |
1.2 多特征假设函数
适应这些多个特征的假设函数的多变量形式如下：
将假设函数转变为向量形式之后，我们就可以很方便的在Matlab里面对数据集进行操作了。
2 多变量的梯度下降（Gradient Descent for Multiple Variables）
之前第一周已经对如何求单变量情况下的代价函数J(θ0,θ1)的最小值，以及
最低0.47元/天 解锁文章
1012
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
