Lecture 4 Linear Regression with Multiple Variables
4.1 多维特征 Multiple Features
4.2 多变量梯度下降 Gradient Descent for Multiple Variables
4.3 梯度下降法实践 1-特征缩放 Gradient Descent in Practice I - Feature Scaling
4.4 梯度下降法实践 2-学习率 Gradient Descent in Practice II - Learning Rate
4.5 特征和多项式回归 Features and Polynomial Regression
4.6 正规方程 Normal Equation
4.7 正规方程及不可逆性 Normal Equation Noninvertibility
4.1 多维特征 Multiple Features
参考视频: 4 - 1 - Multiple Features (8 min).mkv
之前讨论单变量回归模型。现在讨论多变量模型,模型中的特征为(x1,x2,...,xn)。
引入新的注释:
n 代表特征的数量。
x(i) 代表第 i 个训练实例,是特征矩阵中的第 i 行,是一个向量(vector)。
x(i)j 代表特征矩阵中第 i 行的第 j 个特征,也就是第 i 个训练实例的第 j 个特征。
支持多变量的假设 h 表示为:
这个公式中有 n+1 个参数和 n 个变量,为了使得公式能够简化一些,引入 x0=1,则公式转化为:
此时模型中的参数是一个 n+1 维的向量,任何一个训练实例也都是 n+1 维的向量,特征矩阵 X 的维度是 m * (n+1)。
公式可以简化为:
Multivariate linear regression 多维线性回归
4.2
参考视频: 2 - 2 - Cost Function (8 min).mkv
2.2.1 如何选择模型的参数 θ
4.3
参考视频: 2 - 2 - Cost Function (8 min).mkv
2.2.1 如何选择模型的参数 θ
4.4
参考视频: 2 - 2 - Cost Function (8 min).mkv
2.2.1 如何选择模型的参数 θ
4.5
参考视频: 2 - 2 - Cost Function (8 min).mkv
2.2.1 如何选择模型的参数 θ
4.6
参考视频: 2 - 2 - Cost Function (8 min).mkv
2.2.1 如何选择模型的参数 θ
4.7
参考视频: 2 - 2 - Cost Function (8 min).mkv
2.2.1 如何选择模型的参数 θ
相关术语
skewed elliptical shape 偏斜椭圆形
poorly scaled feature 范围不好
mean normalization 均值归一化
feature scaling 特征缩放
iteration numbers 迭代步数
polynomial regression 多项式回归
quadratic function 二次函数
cubic function 三次函数
square root 平方根