均方误差代价函数

本文介绍了线性回归中均方误差代价函数的概念,它用于衡量假设函数的准确性。通过公式阐述了其计算方式,并举例说明当θ1=0时,代价函数J(0)的求解过程。同时指出,当代价函数达到最小值时,预测值与真实值最为接近。以三个样本点为例,展示了当θ1=1时,预测值与真实值完全相同的情况。
摘要由CSDN通过智能技术生成

均方误差代价函数 MSE Cost Function

代价函数可以用来衡量假设函数(hypothesis function)的准确性

在线性回归中,如果假设函数为h(x)=θ0+θ1*x,
均方误差代价函数公式如下图:
在这里插入图片描述
θ0 和 θ1是假设函数的参数
h(x)就是预测值
m是训练的样本数量
i表示第i个样本

均方误差函数就是把预测值和真实值差的平方求和再除以2倍的样本数量

其中取2m而不取m是为了方便计算梯度.

用一道题帮助我们理解代价函数:
在这里插入图片描述
这道题给了三个样本点,并且给出假设函数h(x)=θ1x,代价函数是均方误差代价函数,求J(0)
由题可知,θ0=0,要求J(0),就是让θ1=0,当θ1=0的时候,其实h(x)=0
那么根据公式可以计算,选D
在这里插入图片描述
当代价函数J(θ0,θ1)最小的时候,假设函数的预测值和真实值最接近
如下图,给定三个样本点(1,1),(2,2),(3,3),对于h(x)=0+θ1
x,当θ1=1时,J(θ0,θ1)=0,即预测值和真实值完全相同,当θ1不为1时,预测的偏差随着θ1距离1的远近程度增加
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值