吴恩达机器学习ex1MATLAB实现完整版

最新推荐文章于 2023-01-09 16:15:55 发布

非常满意

最新推荐文章于 2023-01-09 16:15:55 发布

阅读量1.9k

点赞数 5

分类专栏：机器学习文章标签：机器学习吴恩达线性回归 ex1

本文链接：https://blog.csdn.net/qq_41618978/article/details/96115697

版权

本文详细介绍了如何使用MATLAB实现吴恩达机器学习课程中的线性回归，涵盖单变量和多变量问题。通过computeCost和gradientDescent函数实现代价函数计算与梯度下降算法，对特征进行归一化处理。此外，还对比了正规方程与梯度下降在求解线性回归中的应用，并展示了实际房价预测的结果。

摘要由CSDN通过智能技术生成

前言：线性回归的实现在机器学习中是相对比较容易理解和实现的，最近回顾了一下之前学的线性回归，重新理了一下吴恩达的作业，加之之前做的时候很多地方不明白。因此，重新将其实现一遍。

简单来说，利用梯度下降算法求解线性回归方程主要分为两步：1、计算代价函数；2、最小化代价函数得到参数θ。

下面依次来实现单变量和多变量的线性回归问题。

单变量问题

computeCost.m

这个函数的作用就是计算代价函数，代价函数的计算公式如下。

对于的MATLAB代码实现也相当简单，这里采用向量化的方式实现。

function J = computeCost(X, y, theta)
%COMPUTECOST Compute cost for linear regression
%   J = COMPUTECOST(X, y, theta) computes the cost of using theta as the
%   parameter for linear regression to fit the data points in X and y

% Initialize some useful values
m = length(y); % number of training examples

% You need to return the following variables correctly 
% ====================== YOUR CODE HERE ======================
% Instructions: Compute the cost of a particular choice of theta
%               You should set J to the cost.
J = sum((X * theta - y) .^ 2 ) / (2 * m);
% =========================================================================
end

gradientDescent..m

这个函数的作用就是进行梯度下降运算，在运行梯度下降时唯一需要注意的就是对于σ变量的同步更新。通过一定次数的迭代，可以得到目标参数σ的值。