目前为止,我们探讨了单变量/特征的回归模型,现在我们对房价模型增加更多的特征, 例如房间数楼层等,构成一个含有多个变量的模型,模型中的特征为(x1,x2,…,xn)。
增添更多特征后,我们引入一系列新的注释:
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)。 因此公式可以简化为:
其中上标T代表矩阵转置
与单变量线性回归类似,在多变量线性回归中,我们也构建一个代价函数,则这个代价 函数是所有建模误差的平方和,即:
在我们面对多维特征问题的时候,我们要保证这些特征都具有相近的尺度,这将帮助梯 度下降算法更快地收敛。 以房价问题为例,假设我们使用两个特征,房屋的尺寸和房间的数量,尺寸的值为 0- 2000 平方英尺,而房间数量的值则是 0-5,以两个参数分别为横纵坐标,绘制代价函数的等 高线图能,看出图像会显得很扁,梯度下降算法需要非常多次的迭代才能收敛。
解决的方法是尝试将所有特征的尺度都尽量缩放到-1 到 1 之间。如图
4.5 特征和多项式回归(Features and Polynomial Regression) 如房价预测问题,
通常我们需要先观察数据然后再决定准备尝试怎样的模型。 另外,我们可以令:
从而将模型转化为线性回归模型。 根据函数图形特性,我们还可以使:
到目前为止,我们都在使用梯度下降算法,但是对于某些线性回归问题,正规方程方法 是更好的解决方案。如:
即:
运用正规方程法求解参数:
总结一下,只要特征变量的数目并不大,标准方程是一个很好的计算参数 θ 的替代方 法。具体地说,只要特征变量数量小于一万,我通常使用标准方程法,而不使用梯度下降法。 随着我们要讲的学习算法越来越复杂,例如,当我们讲到分类算法,像逻辑回归算法, 我们会看到, 实际上对于那些算法,并不能使用标准方程法。对于那些更复杂的学习算法, 我们将不得不仍然使用梯度下降法。因此,梯度下降法是一个非常有用的算法,可以用在有 大量特征变量的线性回归问题。或者我们以后在课程中,会讲到的一些其他的算法,因为标 准方程法不适合或者不能用在它们上。但对于这个特定的线性回归模型,标准方程法是一个 比梯度下降法更快的替代算法。所以,根据具体的问题,以及你的特征变量的数量,这两种 算法都是值得学习的。
课程代码:https://github.com/HuangCongQing/MachineLearning_Ng 本文参考自-黄海广博士 斯坦福大学 2014机器学习教程中文 笔记 链接:http://pan.baidu.com/s/1dF2asvf 密码:1ewf
分享吴恩达机器学习视频 下载 链接: 链接: http://pan.baidu.com/s/1pKLATJl 密码: xn4w