本文是Coursera上斯坦福大学吴恩达教授机器学习课程的第二周笔记，主要涵盖多元线性回归的方程、损失函数和梯度下降，探讨特征约简方法，如特征缩放和均值归一化。此外，介绍了正规方程作为求解线性回归参数的替代方法，以及其与梯度下降的优缺点。最后，简述了Octave基础操作和在机器学习作业中的应用。
coursera-斯坦福-机器学习-吴恩达-第2周笔记
目录：
文章目录
1 多元线性回归
1.1 方程
多元线性回归指的就是有多个X的情况。比如与房价y有关的变量有：房屋面积x1；位置x2
。
此时，我们就要把我们的方程
h θ ( x ) = θ 0 + θ 1 ∗ x h_\theta(x) = \theta_0 + \theta_1*x hθ(x)=θ0+θ1∗x
修改为：
h θ ( x ) = θ 0 + θ 1 x 1 + θ 2 x 2 + ⋯ + θ n x n h_\theta(x) = \theta_0 + \theta_1x_1 + \theta_2x_2 + \cdots + \theta_nx_n hθ(x)=θ0+θ1x1+θ2x2+⋯+θnxn
其实本质并没有变，就是变量x多了，所以参数θ也跟着多了。但是思想还是没有变：通过误差函数，经过梯度下降求参数。
为了结构统一，我们设 x0=1 ；此时方程应为：
h θ ( x ) = θ 0 + θ 1 x 1 + θ 2 x 2 + ⋯ + θ n x n = θ T x h_\theta(x) = \theta_0 + \theta_1x_1 + \theta_2x_2 + \cdots + \theta_nx_n = \theta^Tx hθ(x)=θ0+θ1x1+θ2
最低0.47元/天 解锁文章
2594
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
