Multivariate Linear Regression
问题可以由函数表示
函数,本质上就是两集合的一种映射关系,从输入值,得到输出值。同时函数,也是现实世界的一种抽象表示,就如原因对应结果,事件A对应事件B。通常我们只要给一个问题建立起比较好的数学模型,就能很方便的通过计算机来解决这个问题,比如通过一个某地房屋面积与房价关系的数学模型,计算出该地某一房屋的价格。又或者通过模型,根据某一就诊者体内肿瘤的大小,判断其是良性还是恶性。
今天先来看看回归,就像线性回归,其实就是通过样本去拟合出一个最符合样本分布的函数,借此来泛化的根据新的输入值去预测输出值。
根据泰勒公式可知,在一定条件下,各种函数,可以泰勒展开为多项式表示,因此这也代表了我们可以直接用多项式去作为假设函数。
Gradient Descent for Multiple Variables
计算出假设函数这个多项式的参数,得出假设函数
拟合最符合样本分布的多项式函数,其实就是函数最优化的一个过程,比如通过最小二乘法(根据样本计算的函数值于真实值之差的平方和最小),使得costFunction(损失函数)最小即可。说到最优化,也就是求极致,首先损失函数需要有最小值,这就得保证函数是凸函数(什么是凸函数还不完全清楚),在此基础上,根