qq_41719643的博客

1. 目的 上一节，我们讨论了单变量的线性回归，但事实上多变量特征值更为常见，比如房价不仅取决于面积，还取决于地段、房型、楼层等因素影响，所以笔者将在上一节的基础上进行扩展，讨论如何进行多维度的线性回归。 2. 数学推导 2.1 引入 增添更多特征后，我们引入一系列新的注释： n 代表特征的数量 x(i) 代表第 i个训练实例，是特征矩阵中的第????行，是一个向量（vector）。 例如：第二行特征值可以表示为： 代表特征矩阵中第 ???? 行的第 ???? 个特征，也就是第 i

1. 目的 给定一组数据（x,y）,如何让机器学习该数据从而预测其他情况。例如：我们现在有一组（房子面积，房子价格)的数据，即数据集，如何推测其他房子面积的价格呢，这是一个回归问题。这时我们就需要通过已知数据，得到一个f(x),从而预测其他值。 注：数据比较多，故不能全部列举 我们将要用来描述这个回归问题的标记如下: ???? 代表训练集中实例的数量 ???? 代表特征/输入变量 ???? 代表目标变量/输出变量 (????,????) 代表训练集中的实例 (???? (????) ,?