1、Regularized linear regression cost function
求cost function和其梯度是为了给求theta做准备,正则化能够避免过拟合。
J = 1/(2*m)*sum((X*theta-y).^2)+lambda/(2*m)*sum(theta(2:end).^2);
2、Regularized linear regression gradient
求cost function和其梯度是为了给求theta做准备。
%%%%%gradient of cost function
grad = 1/m*(X'*(X*theta-y)) + lambda/m*theta;
grad(1) = grad(1) - lamb
3、 Learning curves
画学习曲线是为了查看目前的模型性能,即bias_variance情况,以便于后续调整。学习曲线是以样本数为横坐标,误差为纵坐标的图。画有训练误差和交叉验证误差两条曲线。
note:
a. 公式跟cost function的很像,可以直接利用第一问里求cost function的函数来求,只要令lambda=0就好了;
b. 学习曲线横轴为样本个数,所以X和y取前i个样本来训练theta。注意求训练误差的时候的X和y为当前使用的那些样本,而进行cross validation的样本一直是已知的那些样本。
for i = 1:m
theta = trainLinearReg(X(1:i,:), y(1:i,:), lambda);
[error_train(i), grad0] = linearRegCostFunction(X(1:i,:), y(1:i,:), theta, 0);
[error_val(i), grad0] = linearRegCostFunction(Xval, yval, theta, 0);
end
4、 Polynomial feature mapping
本题是high bias的情况,所以选择通过增加特征数来提高性能。这里选用的是次方特征。线性回归加上特征次方化等同于不同特征(只是这里的不同的特征之间是次方关系)的线性回归。以此来选择合适的特征数。
polyFeatures.m 函数只需要将X矩阵次方化,次数从1-p。
for i=1:p
X_poly(:,i) = X(:).^i;
end
5、 Validation curve
到现在为止,特征数已定,然后需要确定lambda和theta了。主要思想就是用不同的lambda去训练,求出不同的最优theta,然后用theta去求train_error和cross validation误差,来寻求最优的lambda。
%attention the parameter lambda should be set to 0 when computing error
for i=1:size(lambda_vec,1)
theta_temp = trainLinearReg(X, y, lambda_vec(i));
[error_train(i), grad0] = linearRegCostFunction(X, y, theta_temp, 0);
[error_val(i), grad0] = linearRegCostFunction(Xval, yval, theta_temp, 0);
end