机器学习实战：多变量线性回归的实现

多元线性回归其实方法和单变量线性回归差不多，我们这里直接给出算法：

computeCostMulti函数

[plain] view plain copy

1. function J = computeCostMulti(X, y, theta)  
2.   
3.     m = length(y); % number of training examples  
4.     J = 0;  
5.     predictions = X * theta;  
6.     J = 1/(2*m)*(predictions - y)' * (predictions - y);  
7.   
8. end  

gradientDescentMulti函数

[plain] view plain copy

1. function [theta, J_history] = gradientDescentMulti(X, y, theta, alpha, num_iters)  
2.   
3.     m = length(y); % number of training examples  
4.     J_history = zeros(num_iters, 1);  
5.     feature_number = size(X,2);  
6.     temp = zeros(feature_number,1);  
7.     for iter = 1:num_iters  
8.   
9.         for i=1:feature_number  
10.             temp(i) = theta(i) - (alpha / m) * sum((X * theta - y).* X(:,i));  
11.         end  
12.         for j=1:feature_number  
13.             theta(j) = temp(j);  
14.         end  
15.        
16.         J_history(iter) = computeCostMulti(X, y, theta);  
17.   
18.     end  
19.   
20. end  

但是其中还是有一些区别的，比如在开始梯度下降之前需要进行feature Scaling：

[plain] view plain copy

1. function [X_norm, mu, sigma] = featureNormalize(X)  
2.   
3.     X_norm = X;  
4.     mu = zeros(1, size(X, 2));  
5.     sigma = zeros(1, size(X, 2));  
6.     mu = mean(X);  
7.     sigma = std(X);  
8.     for i=1:size(mu,2)  
9.         X_norm(:,i) = (X(:,i).-mu(i))./sigma(i);  
10.     end  
11.   
12. end  

Normal Equation算法的实现

[plain] view plain copy

1. function [theta] = normalEqn(X, y)  
2.   
3.     theta = zeros(size(X, 2), 1);  
4.     theta = pinv(X'*X)*X'*y;  
5.   
6. end