机器学习入门:线性回归及梯度下降

发布时间:2017-7-9 7:32:38编辑:www.fx114.net 分享查询网我要评论
本篇文章主要介绍了"机器学习入门:线性回归及梯度下降 ",主要涉及到机器学习入门:线性回归及梯度下降 方面的内容,对于机器学习入门:线性回归及梯度下降 感兴趣的同学可以参考一下。

机器学习入门:线性回归及梯度下降

本文会讲到:
 

(1)线性回归的定义

(2)单变量线性回归

(3)cost function:评价线性回归是否拟合训练集的方法
(4)梯度下降:解决线性回归的方法之一
(5)feature scaling:加快梯度下降执行速度的方法

(6)多变量线性回归

 
Linear Regression
 
 
注意一句话:多变量线性回归之前必须要Feature Scaling!
 
方法:线性回归属于监督学习,因此方法和监督学习应该是一样的,先给定一个训练集,根据这个训练集学习出一个线性函数,然后测试这个函数训练的好不好(即此函数是否足够拟合训练集数据),挑选出最好的函数(cost function最小)即可;
注意:
(1)因为是线性回归,所以学习到的函数为线性函数,即直线函数;
(2)因为是单变量,因此只有一个x;
 
我们能够给出单变量线性回归的模型:
 
 
 
 
我们常称x为feature,h(x)为hypothesis;
 
从上面“方法”中,我们肯定有一个疑问,怎么样能够看出线性函数拟合的好不好呢?
我们需要使用到Cost Function(代价函数),代价函数越小,说明线性回归地越好(和训练集拟合地越好),当然最小就是0,即完全拟合;
 


上一篇:【转载】ebtables基本使用
下一篇:AndroidStudio设置自定义代码格式化codestyle

相关文章

相关评论

本站评论功能暂时取消,后续此功能例行通知。

一、不得利用本站危害国家安全、泄露国家秘密,不得侵犯国家社会集体的和公民的合法权益,不得利用本站制作、复制和传播不法有害信息!

二、互相尊重,对自己的言论和行为负责。

好贷网好贷款