吴恩达机器学习视频总结Day02之多变量线性回归

1.多变量线性回归

h(x)=θ0x0+θ1x1+θ2x2+...+θnxn

h(x)=θt(t为矩阵的转正）*x

多元梯度下降

2.特征缩放 

目的：提高梯度下降的收敛速度

特征缩放的标准：一般将特征近似地缩放到-1到1，不用严格为-1和1，但是太大或太小时就需要处理。

（1）除以最大值

左图是原始情况下，梯度下降的收敛；右图将变量除以最大值后，梯度下降的收敛。

（2）均值归一化

u1代表均值；s1代表范围，即最大值-最小值

3.选择合适的学习速率a

J(θ)随迭代次数变化。出现以上几种情况时，都可能是a值过大，需要选择较小的a值。

 

4.正规方程法  可不进行特征缩放

除迭代外另一种求θ得方法，可以一步求出θ的最优解。

公式：

X的构建：

 

梯度下降和正规方程优缺点比较： 比线性回归更复杂的算法时，一般还是梯度下降