吳恩達Coursera機器學習課系列筆記

課程筆記|吳恩達Coursera機器學習 Week1 筆記-機器學習基礎

1Linear Regression with Multiple Variables

緊接上一篇的例子 – 房價預測。現在我們有更多的特征來預測房價了，“房間的數量”、“樓層”、“房齡”……

說明一下接下來要用到的符號：

訓練集（部分）如下圖所示：

然后再用上一篇中說的gradient descent方法更新θ即可，過程如下：

2?Gradient descent in practice

2.1 Feature Scaling

讓特征們的取值處于同一個范圍里面，可以加快梯度下降法的收斂速度。原因在下圖中形象說明了。

2.2 Choose Learning Rate?α

在不斷更新θ即迭代次數不斷增加之后，J(θ)的值應該不斷下降，直至不怎么改變了，模型訓練完畢，如下圖中最后平坦的部分：

3?Features and Polynomial Regression

除了訓練集中已經給出的特征，還可以根據這些特征來生成新的特征。比如說最簡單的，已有特征“長”和“寬”，可以使用生成的特征“面積”來進行模型的學習。

另外h(x)也可以使用polynomial regression來代替linear regression，則：

4?Matrix Representation

在實際計算過程中，用矩陣來計算會提升計算速度。下面就來看看怎么轉換成矩陣形式。

如下例子：

5?Normal Equation

在Linear Regression中，Normal equation可以用來取代Gradient descent來計算θ。

下面是Gradient descent和Normal Equation的比較：

總結

以上是生活随笔為你收集整理的干货|机器学习零基础？不要怕，吴恩达机器学习课程笔记2-多元线性回归的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。