【吴恩达机器学习笔记】第四章 多变量线性回归

搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’ 获取更多人工智能、机器学习干货

csdn：https://blog.csdn.net/qq_36645271

github：https://github.com/aimi-cn/AILearners

第四章 多变量线性回归

4.1 多维特征

在之前的章节中，我们学习了单变量线性回归，及模型中只包含一个变量（特征）。但是我们清楚，在使用机器学习算法去解决一个实际问题时，只包含一个变量（特征）的模型是不能够满足我们的需求的，所以在这里，我们将从例子、定义以及模型三个方面来介绍多变量(multiple variables/features)线性回归。

4.1.1 一个小例子

这里我们还以之前的房价预测为例，我们为这个模型加入例如卧室数量、楼层数以及房子的使用时长等多个特征，构成一个含有多个变量的模型，模型中的特征为$(x_1,x_2,...,x_n)$。

对于这个问题，我们就需要对这个含有多个变量的问题进行建模。

4.1.2 定义

• $n$ = 特征的数量(number of features)
• $x^{(i)}$ = 输入的第$i$个训练样本的特征(input of $i^{th}$ training example)
• $x_j^{(i)}$ = 输入的第$i$个训练样本的特征的值(value of feature $j$ in $i^{th}$ training example)

例如，在上面的例子中，$n$ = 4，$x^{(2)}=\left[\begin{array}{c}1416\\ 3\\ 2\\ 40\end{array}\right]$，$x_3^2$ = 2。

4.1.3 假设函数

• 单变量线性回归：$h_{\theta }(x)={\theta }_0+{\theta }_{1}x$
• 多变量线性回归：$h_{\theta }(x)={\theta }_0+{\theta }_1{x}_1+{\theta }_2{x}_2+...+{\theta }_n{x}_n$

在多变量线性回归的模型公式中，有$n+1$个参数和$n$个变量，为了方便表示，将$x_0$的值设为1($x_0^{(i)}=1$)，所以特征向量$x$是一个从0开始标记的$n+1$维向量。即
x = [ x 0 x 1 x 2 . . . x n ] ∈ R n + 1 , θ = [ θ 0