多元回归求解 机器学习_机器学习笔记(3):多元线性回归和正规方程

这篇博客介绍了多元线性回归的概念,通过向量形式表示假设函数,并探讨了梯度下降法在解决多特征线性回归问题中的应用。讨论了特征缩放和均值归一化对梯度下降的影响,以及如何选择合适的特征和假设函数。同时,文章还对比了梯度下降法和正规方程在求解最优参数时的优缺点,强调了矩阵不可逆性问题及其原因。
摘要由CSDN通过智能技术生成

多元线性回归的假设函数下边我们介绍多个特征量的线性回归形式,并通过向量乘法表示。例如,之前的预测房价例子中,我们只有一个特征向量(房屋大小),来预测房屋价格。但是,实际上房屋价格不仅仅与大小有关,还与卧室数量、楼层数、使用年限等多个特征向量有关

相关符号含义

d174e882fc0edc4a90f24ed41e759523.png

在多元线性回归中,m仍表示数据集的数据数量,上标i表示第i个训练样本;n表示每个数据的特征值数量,下标表示数据的第i个特征

多元假设函数的引入

a86e98c544c3e7fd047a5eff6163f07d.png例如在房价预测的例子中,可用上图的多元线性函数作为假设函数。随着面积、楼层数、此房屋所在楼层增大,房价增大;随着房屋年限增大,房价变小

用向量形式表示多元假设函数设x0=1,即定义了额外的特征量,但取值总为1.这样特征量可用一个n+1维向量表示,同样我们把参数看做n+1维的行向量。两个向量相乘,就得到我们的假设函数

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值