梯度下降实现matlab,利用梯度下降法实现线性回归的算法及matlab实现_20170515.docx...

利用梯度下降法实现线性回归的算法及matlab实现_20170515

PAGE \* MERGEFORMAT18

利用梯度下降法实现线性回归的算法及matlab实现

线性回归算法概述

线性回归属于监督学习，因此方法和监督学习应该是一样的，先给定一个训练集，根据这个训练集学习出一个线性函数，然后测试这个函数训练的好不好(即此函数是否足够拟合训练集数据)，挑选出最好的函数(cost function最小)即可；

注意：

(1)因为是线性回归，所以学习到的函数为线性函数，即直线函数；

(2)线性回归可分为单变量线性回归和多变量线性回归；对于单变量线性回归而言，只有一个输入变量x；

单变量线性回归

我们能够给出单变量线性回归的模型：

?

我们常称x为feature，h(x)为hypothesis；上述模型中的θ0和θ1在代码中分别用theta0和theta1表示。

从上面“方法”中，我们肯定有一个疑问，怎么样能够看出线性函数拟合的好不好呢？我们需要使用到Cost Function(代价函数)，代价函数越小，说明线性回归地越好(和训练集拟合地越好)，当然最小就是0，即完全拟合。cost Function的内部构造如下面公式所述：?

其中：

表示向量x中的第i个元素；

表示向量y中的第i个元素；

表示已知的假设函数；

m为训练集的数量；

虽然给定一个函数，我们能够根据cost function知道这个函数拟合的好不好，但是毕竟函数有这么多，总不可能一个一个试吧？因此我们引出了梯度下降：能够找出cost function函数的最小值；

梯度下降原理：将函数比作一座山，我们站在某个山坡上，往四周看，从哪个方向向下走一小步，能够下降的最快；当然解决问题的方法有很多，梯度下降只是其中一个，还有一种方法叫Normal Equation；

方法：

(1)先确定向下一步的步伐大小，我们称为Learning rate (alpha)；

(2)任意给定一个初始值：(用theta0和theta1表示)；

(3)确定一个向下的方向，并向下走预先规定的步伐，并更新；

(4)当下降的高度小于某个定义的值，则停止下降；

算法：

特点：

(1)初始点不同，获得的最小值也不同，因此梯度下降求得的只是局部最小值；

(2)越接近最小值时，下降速度越慢；

梯度下降能够求出一个函数的最小值；

线性回归需要使得cost function的最小；

因此我们能够对cost function运用梯度下降，即将梯度下降和线性回归进行整合，如下图所示：

上式中右边的公式推导过程如下：

?

?

?

?

从上面的推导中可以看出，要想满足梯度下降的条件，则(hθx

梯度下降是通过不停的迭代，而我们比较关注迭代的次数，因为这关系到梯度下降的执行速度，为了减少迭代次数，因此引入了Feature Scaling。

Feature Scaling

此种方法应用于梯度下降，为了加快梯度下降的执行速度；

思想：将各个feature的值标准化，使得取值范围大致都在-1<=x<=1之间；

常用的方法是Mean Normalization( HYPERLINK "/link?url=ThktDXSbr_6ImNeBIkqXYh8j1Id7Q5aY0nCdtuVattTZruC1XVfrYpPbtOhFZFmKZZeBA6lPLXBsGqDkHsVNnbJgedASMAJQV6e8G4olZBW&wd=&eqid=d35e424e00005a4600000005591941c7" \t "_blank" 均值归一化处理)

或者：

[X-mean(X)]/std(X);

收获汇总

学习速率的大小对于系统是否收敛有决定性的影响。如果学习速率太大，那么可能导致系统震荡发撒；如果学习速率太小，那么可能导致系统收敛速度变慢。

根据给定数据架设预测函数h(x)

计算代价函数J

计算各参数偏导

更新参数

重复2~4直到代价函数跟新的步长小于设定值或者是重复次数达到预设值。

为了在相同学习速率的前提下加快相同收敛，可采用训练数据归一化的方法来对样本数据进行预处理。采用均值 HYPERLINK "/link?url=ThktDXSbr_6ImNeBIkqXYh8j1Id7Q5aY0nCdtuVattTZruC1XVfrYpPbtOhFZFmKZZeBA6lPLXBsGqDkHsVNnbJgedASMAJQV6e8G4olZBW&wd=&eqid=d35e424e00005a4600000005591941c7" \t "_blank" 均值归一化处理后，缩小了原来数据的变化幅度，从而可极大地提高学习速率，从而提高了梯度下降的执行速度。在第四部分的matlab代码中，对输入值向量进行归一化处理之后，将学习速率从0.01提高到1.9,从而