1.矩阵与向量:
在矩阵A中,代表此元素在第i行,第j列。
矩阵可以快速整理,索引和访问大量数据。
在向量A中,可以看作是阶矩阵。
记向量为y,则y中存在的元素可表示为:。
2.关于矩阵和向量的加减乘运算,特别提出乘法运算:
A
例: (阶矩阵)=(阶矩阵)=(阶矩阵),观察此式引出矩阵或向量乘法结论:( 阶矩阵) ( 向量)= (向量)
3.对于一些情况(如:知道数据集和假设函数)
计算的预测值=数据矩阵【数据集计入首列全为1的矩阵】参数【假设函数的参数】
例:已知房子的面积 已知3种计算房子价格的假设函数
2104
1416
1534
852
计算预测值可以由矩阵乘法表示为:
【三列结果分别表示对应的三个代价函数的预测值】
4.编程语言的线性代数函数库/计算机的SIMD并行(一条指令处理多个数据)可以高效进行矩阵之间的乘法运算。
5.矩阵补充:
逆矩阵:只有方阵才有逆矩阵
奇异矩阵和退化矩阵:矩阵不存在逆矩阵
转置矩阵:
6.多变量
先前利用房屋面积作为房屋价格的唯一特征,现在引入多个变量同时参与衡量房屋价格:面积,房间数量,房屋楼层和房屋年限,分别记为。
引入几个符号:
n:特征数量
:训练集第i行的特征集
:训练集第i行的特征集的第j个特征值
基于多变量重写假设函数:
定义:/
便捷方式表示多变量特征下的假设函数:
,其中特征向量:,参数向量:
7.多元梯度下降法(解决多元线性回归的问题)
假设函数:
参数:
【可以看作一个整体:n+1维向量】
代价函数:
【 向量】
多元梯度下降法:
repeat{
【 向量】
}
具体展开:
repeat{
【同步更新,j=0,1,2,...,n】
}
因此:
[=1]
......