吴恩达机器学习笔记DAY-7（自用版）

目录

WEEK 2-1.1多维特征

一、多维特征Multiple features（variables）

二、多维线性回归模型multiple linear regression

WEEK 2-1.2向量化

一、简便化：

①非矢量化简便：（不推荐）

②矢量化简便（代码运行速度快）

③执行过程对比：

WEEK-2-1.4用于多元回归的梯度下降方法

一、梯度下降

①左边是单维度，右边是多维度

②w，b的更新规则

二、正规方程：

①特点：

②缺点：

③面试了解：

---

WEEK 2-1.1多维特征

一、多维特征Multiple features（variables）

①回顾：之前更多的是一个特征x（例如房屋的大小->预测房屋的价格）

              f(x)=wx+b

②引入更多因素：，，，........卧室数量，层数，房屋年龄等

③符号规则：

   ：第j个特征

   ：特征的总数

  : 第i个训练示例（实际上是有各种因素的列表，比如下图中第二行方框）

 ：第i个训练样例中的第j个特征（列表中的一个值）

二、多维线性回归模型multiple linear regression

以前单维度：f（x）=wx+b

多元线性回归：f（x）=

           参数：①向量w=[w1，w2，w3，...... wn]

                      ②数字b

多维度公式可以简写为：(点积运算）

WEEK 2-1.2向量化

一、简便化：

①非矢量化简便：（不推荐）

f=0
for j in range(0,n):
    f=f+w[j]*x[j]
f=f+b
    

②矢量化简便（代码运行速度快）

f=np.dot(w,x)+b

③执行过程对比：

矢量化直接取出数字相乘相加

WEEK-2-1.4用于多元回归的梯度下降方法

一、梯度下降

①左边是单维度，右边是多维度

②w，b的更新规则

二、正规方程：

①特点：

只适用于线性回归；解决w，b不用迭代

②缺点：

不适用于其他模型；速度慢（feature>10000）

③面试了解：

某些机器学习库可能在后端使用这种复杂方法求解w&b，但对于大多学习算法，梯度下降提供了更好的方法完成工作。