本文介绍了多变量线性回归模型，包括特征的标度、梯度下降算法及其学习率的选择，以及正规方程的运用。在梯度下降中，讨论了如何调整学习率以确保正常收敛，并比较了梯度下降与正规方程在处理大量特征时的优缺点。
多个特征
上次学习的单变量回归模型是针对一个特征（变量）而言的，在实际情况中一个样本应该有多种特征，还是拿房价举例。
这时候房价有多个特征，包括面积、房间数量、楼层高度、房龄，最后还有各自对应的价格。
注：
- n n n = 特征的数量
- x ( i ) x^{(i)} x(i) = 输入的 i t h i^{th} ith训练样本
- x j ( i ) x_j^{(i)} xj(i) = i t h i^{th} ith训练样本的 j j j特征值
假设函数：
以前： h θ ( x ) = θ 0 + θ 1 x \large h_\theta(x) = \theta_0 + \theta_1x hθ(x)=θ0+θ1x
现在： h θ ( x ) = θ 0 + θ 1 x 1 + θ 2 x 2 + . . . + θ n x n \large h_\theta(x) = \theta_0 + \theta_1x_1 + \theta_2x_2 + ... + \theta_nx_n hθ(x)=θ0+θ1x1+θ2x2+...+θnxn
为了方便标记，定义 x 0 x_0 x0 = 1 ( x 0 ( i ) x_0^{(i)} x0(i) = 1)
对于多变量的梯度下降算法
假设函数： h θ ( x ) = θ T x = θ 0 x 0 + θ 1 x 1 + θ 2 x 2 + . . . + θ n x n \large h_\theta(x) =\theta^Tx = \theta_0x_0 + \theta_1x_1 + \theta_2x_2 + ... + \theta_nx_n hθ(x)=θTx=θ0x
最低0.47元/天 解锁文章
6733
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
