目录:
1、线性回归
2、梯度下降
3、正规方程组
1、线性回归
符号介绍
m:训练样本的数目 数据的行数 x:输入变量/特征‘ y:输出变量/目标变量’ (x,y)表示一个样本
在监督学习中,先找到一个训练集合(由训练样本所组成的集合),提供给学习算法,之后算法会生成一个输出函数(h)。
这个假设h(输出函数)的目的是将输入x映射到输出y。如输入是房屋的大小,输出是房屋的价格。(回归问题)
设计学习算法的第一步:决定应该怎样表示假设。(本章对假设进行线性表示)
由于许多回归问题有很多参数,如除了房子的大小之外,还有房子的卧室数量。
x1 = size ,x2 = nbedrooms
为了简洁,整个公式定义为
其中n表示学习到的特征数目 θ被称为学习算法的参数
利用学习算法学习到合适的参数值是学习算法的主要目的。
如何选取参数:(搜索算法)
1、先给参数值一个初始值,比如可以初始化为0向量。
2、不断改变参数向量,使得J不断减小J(θ)(目的:找到最小的J(θ)值)。
3、梯度下降算法(不断的重复向最陡的方向下降的步骤)
2、梯度下降
梯度下降的结果有时候会依赖参数初始值,梯度下降每次找参数下降最快的,即梯度方向,梯度下降方法最终一定会停止。
每次迭代更新参数时,需要使用全部的训练样本,即批处理梯度下降算法。
由于上述算法处理相对较慢,因此出现随机梯度下降算法:即一次仅使用一个训练样本更新所有参数。
当接近最小值时,步子会原来越小,直到收敛(因为梯度在逐渐减小,慢慢变为零)。
3、正规方程组
若存在一个函数f,使得对于矩阵A,存在f(A) = trAB,则有
正规方程组表示: