[Machine Learning]吴恩达机器学习笔记 四——正规方程（区别于迭代方法的直接解法）

正规方程 Normal equation

1. Normal equation

Normal equation gives a method to solve for θ analytically，能够直接计算出θ的最优解

在简单的问题中求解代价函数的最优解时我们可以直接对J（θ）进行求偏导并置0，即可求得θ。但事实上，我们需要解决的问题当中，特征不止一个，可能有很多，因此θ是一个集合（0-n），这个时候如何求解代价函数的最优解呢？微积分可以帮到我们。对每一个参数θj，求J的偏导数，也全部把他们置零，可以求得θj的大小从0-n个θ，最终还是能够得到最小化代价函数的最优解。

正规方程在使用过程在不需要使用梯度下降，尽管有些特征变量之间的差距很大。

 

2. 对比总结一下梯度下降解法和正规方程解法：

2.1 正规方程解法

优点在于不需要选择学习率、不需要迭代，能够直接得出最优解，过程简便

缺点在于需要计算 矩阵转置和矩阵乘积，当矩阵的维度很大时，这个计算会很慢很慢，甚至计算不出来。

2.2 梯度下降解法

优点在于当特征数很大时依然能够很好奏效

缺点在于需要选择学习率和迭代步数，过程繁琐

因此，

当特征数 n 不是很大时，正规方程的解法会很快速方便；当n 很大时，选择梯度下降解法或者其他解法来代替 。

 

3. 正规方程在矩阵不可逆时的解法

前面说到的矩阵为常规情况下的，当然我们也会遇到一个特殊的时候，比如下面部分介绍的就是矩阵不可逆的情况。我们知道，正规方程当中时需要计算矩阵的逆矩阵部分，那么当矩阵不可能逆时该怎么进行下一步操作呢？

 在吴老师的学习视频介绍到，通常情况下出现矩阵不可逆的原因有两个：

• 一个是包含多余特征，即两个特征描述的实际上是一个特征，如单位不同等情况。这种情况下我们要删除一些多余特征，保证特征与特征之间是线性无关的。
• 另一个是特征数量过多（m <= n），在线性代数里面我们知道，当 m <= n 时矩阵不可解，m 表示的方程个数，n 表示未知数个数。在机器学习中，当数据样本个数m <= 特征个数时，往往也不能求得一个好的结果来匹配所有特征。这种情况下，可以选择删除一些影响不大的特征，或使用regularization。