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