吴恩达机器学习学习笔记第五章：多变量线性回归

1.Multiple features多特征

现在我们有多个特征了，比如还是预测房子价格X不仅仅是面积大小还有卧室数量，楼层数量以及房子的年龄

 

 

表达形式的记法：

n=4即有4个特征（总面积 卧室数量 楼层数 房子年龄）

m=47即有47个样本（47个房子）

x^(i)表示第i（i不是次方而是对应训练集的索引）条样本对的特征 如x^(2)就是粉色的 这样表示他就是一个四维向量

x^(i)j表示：如i=2 j=3就是红圈

这里的记号最好能很快反应过来 不然编程的时候会比较费时                                      

再来看看线性回归的假设函数

Eg是对这个图Andrew老师把θ举了个特值的例子：

（Eg是把参数θ取特值的例子）

（一个房子的基本价格是8千，每平方米0.1（百美元），……,-2x4即随年度使用价钱贬值）

当然特征个数为n时就如下了：                  

我们和单变量的做法一样令他θ0的系数x^(i)0全部=1

所以现在X和θ都是一个n+1维向量 （黄圈）

那么假设函数就可以写成内积了（红圈）

 

 

2.多元梯度下降法：

  假设函数、参数、代价函数书写如下：

然后执行梯度下降