机器学习——N元线性回归(一)

首先声明已知的数据：
m座房子，每个房子都有n条特征量，每个房子有售它对应的售价y。

房子	地理环境	建筑面积	使用时间	损坏程度	出售价
房子1	1	1	10	2	1000万
房子2	2	3	20	2	1000万
房子3	4	1	30	2	1000万
房子4	6	8	40	2	1000万

数据是瞎写的，主要为了具象一下我的表述。

---

$x^1$ 是房子1的数据，表示一个4维向量。更普遍的讲是一个n维向量。
$$X^1=\left[\begin{array}{c}1\\ 1\\ 20\\ 2\end{array}\right]$$

$X_2^1=1$，表示第一个向量的第二个元素。

---

$X_j^i$ 表示第$i$个训练样本中第$j$个特征量的值

举例说：

$$X^2=\left[\begin{array}{c}2\\ 3\\ 20\\ 2\end{array}\right]$$

$X_3^2$ 表示第2个训练样本中第3个特征量的值 3 。

---

第一节课 讨论一元特征量时我们使用的假设形式是：

$$h_{\theta }(x)={\theta }_0+x\cdot {\theta }_1$$
其中 $x$ 是唯一的特征量。
 
 
现在有多个特征量时，我们应该做出假设形式就应该是这样的：
$$h_{\theta }(x)={\theta }_0+x_1\cdot {\theta }_1+x_2\cdot {\theta }_2+x_3\cdot {\theta }_3+x_4\cdot {\theta }_4\text{\hspace{1em}(1)}$$
如果有$n$个特征量那么就应该加到$x_n$ ，像这样：
$$h_{\theta }(x)={\theta }_0+x_1\cdot {\theta }_1+x_2\cdot {\theta }_2+x_3\cdot {\theta }_3+x_4\cdot {\theta }_4+\cdots +x_n\cdot {\theta }_n$$
这里的$x_1,x_2,x_3,x_4$ 就表示 房子的4个特征量。

 
 
我们将第一个房子特征量带入可以得到这样的结果：

$$h_{\theta }(x)={\theta }_0+1\cdot {\theta }_1+1\cdot {\theta }_2+10\cdot {\theta }_3+2\cdot {\theta }_4\text{\hspace{1em}(2)}$$

---

每个样本$i$都有一个向量$X^i$，并且每个向量有 $X_0^i=1$，也就说我们假设每个样本都有第0个特征量$x_0$，并且$x_0=1$。

接着我们对上面的假设提供一种简单的写法：

对每个样本向量有$n+1$维向量：
$$X=\left[\begin{array}{c}{x}_0\\ x_1\\ x_2\\ x_3\\ x_4\end{array}\right]$$

把所有的参数也写成一个$n+1$维向量（本实例$n=4$）
$$\Theta =\left[\begin{array}{c}{\theta }_0\\ {\theta }_1\\ {\theta }_2\\ {\theta }_3\\ {\theta }_4\end{array}\right]$$

求$X$和$\Theta$ 的内积得到下面的结果：
$$h_{\theta }(x)=x_0\cdot {\theta }_0+x_1\cdot {\theta }_1+x_2\cdot {\theta }_2+x_3\cdot {\theta }_3+x_4\cdot {\theta }_4\text{\hspace{1em}(3)}$$

$x_0=1$
这个式子和上面的式子是一样的。

如果我们将参数向量进行转置会得到：
$${\Theta }^T=\left[\begin{array}{ccccc}{\theta }_0& {\theta }_1& {\theta }_2& {\theta }_3& {\theta }_4\end{array}\right]$$
这个叫做行向量。

利用矩阵相乘有：

$$X\cdot {\Theta }^T=\left[\begin{array}{ccccc}{\theta }_0& {\theta }_1& {\theta }_2& {\theta }_3& {\theta }_4\end{array}\right]\left[\begin{array}{c}{x}_0\\ x_1\\ x_2\\ x_3\\ x_4\end{array}\right]\text{\hspace{1em}(4)}$$

他的结果也是这样的：
$$h_{\theta }(x)=x_0\cdot {\theta }_0+x_1\cdot {\theta }_1+x_2\cdot {\theta }_2+x_3\cdot {\theta }_3+x_4\cdot {\theta }_4\text{\hspace{1em}(5)}$$

这里也有 $x_0=1$