机器学习笔记3向量参数+feature scaling and mean normalization

多特征变量的处理：依旧是一维的，是向量的积，并且是从0开始的X（x0,x1,...,xn）,此处x0=1，为了配合f(x0,...,xn)=d0*x0+d1*x1+...+dn*xn;显然就是D点乘X。这对应之前的拟合公式，但显然是多维的，不过想象成2维就够了。每一个数据组合是一个x向量加它对应的y值，一共有m个数据组合，而x向量的维数假设是n。

所以有了关于整体方差函数的公式：1/2m*{[f(x0(1),..,xn(1))]^2-y1(x0,..,xn)+[f()-y2()]^2+...}也就是说自变量是一组向量。我觉得自己分开写能更容易理解。

下面说下处理的技巧：

首先是数值的放缩，尽量乘以一个系数使x向量中的元素取值范围在-1~1之间。比方说房子的大小10000平最大，那么乘以0.0001即可。另外还有平移操作，也就是x-p，比方原始是1~5那么就减去3变成-2~2，再除以2变成-1~1。这些其实都是对方差函数图像进行均匀操作，使其能够对称均匀，从而更快得到最后的平静。所以就有某个元素(x-p)*j.其实就是做一个变量代换。所以不影响结果。但是他的幻灯片是先找到系数，再找位移，这就导致了1~5个卧室，定下系数5，再定下位移2。并且定义位移是平均值，我不知道是指的中位数还是平均值，系数是指的范围，比方5-1.不过他说最后大概这个范围就可以，5还是4都可以。

这就是feature scaling 和mean normalization.

转载于:https://www.cnblogs.com/SweetBeens/p/6655674.html