DAY2
给定一些常量
字母 | 定义 |
---|---|
m | 训练集的数量 |
x | 输入变量(特征) |
y | 输出变量(预测的目标函数) |
h | 假设函数(hypothesis) |
线性回归函数
单变量线性回归函数(预测函数)
对应的图形 - y是一个关于x的线性函数
预测值与实际差的平方误差:
平方误差代价函数
latex代码:
\displaylines{平方误差代价函数\\ J_{(\theta _{0},\theta _{1})}= \frac{1}{2m} \sum_{i=1}^{m}{(h_{\theta}(x^{(i)})-y^{(i)})^2}}
设定theta_0:=0,变化theta_1
由于公式用latex写太浪费时间了,所以直接上传写好的笔记,做一个学习记录
凸函数全局最优解 - 图解
梯度下降算法
对导数项的详细解释
问题:如果theta已经到达局部最优解,下一步梯度下降会如何?
梯度下降法+平方误差代价函数==线性回归算法
Batch梯度下降算法局部最优解 - 图解
梯度下降算法一般没有全局最优解,大部分都是局部最优解,就如图3-2和3-1一样,最优解是要看梯度下降的方向,也就是theta的值