AndrewNg - 线性回归【2】正规方程组

这篇博客介绍了线性回归中的正规方程组,通过矩阵求导的角度来探讨最小二乘问题。文章详细阐述了如何利用矩阵导数直接求解线性回归参数,提供了一种非迭代的解决方案。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

AndrewNg - 线性回归【2】正规方程组


梯度下降法是用来计算J(θ)的惯用方法之一,不过通常我们可以通过另一途径取代这种迭代算法。这样思考,如果我们直接对Jθ的导数并使其为0,如果可以直接解出θ那不是爽歪歪。


1.矩阵求导

对于函数f : Rm×nR,即从m×n矩阵映射到实数的f,定义f对于A的导数为:

Af(A)=A11Am1A1nAmn

举个栗子,假如A=[A11A21A12A22]f(A)=32A11+5A212+A21A22

Af(A)=32A2210A12A21.

同时我们还要引进一个迹的概念:trA=ni=1Aii。当矩阵ABCD满足一些简单的条件时,他们的迹有一些性质值得一提:
(1)trAB=trBA,(2)trABC=trCAB=trBCA,(3)trABCD=trDABC=trCDAB=trBCDA,(4)trA=trAT,(5)tr(A+B)=trA+trB,(6)traA=atrA.

而相应的,矩阵求导和迹结合起来还有一些性质:
(1)AtrAB=BT,(2)ATf(A)=(Af(A))T,(3)AtrABATC=CAB+CTABT,(4)A|A|=|A|(A1)T

2.换个角度看最小二乘


给定一组训练集,定义矩阵Xmn阶的矩阵(实际上算上θ0截距是mn+1阶),每行是一个训练样例:

X=(x(1))T(x(2))T(x(m))T

同时y⃗ X对应的m维样本分类结果向量:
y⃗ =y(1)y(2)y(m)

所以根据上一节我们有hθ(x(i))=(x(i))Tθ,即:
Xθy⃗ =(x(1))T(x(2))T(x(m))Ty(1)y(2)y(m)=hθ(x(1))y(1)hθ(x(2))y(2)hθ(x(m))y(m)

因为有zTz=iz2i,所以:
12(Xθy⃗ )T(Xθy⃗ )=12i=1m(hθ(x(i))y(i))2=J(θ).

那么现在我们要干的一件事,就变成了最小化J(求导取导数为0):
θJ(θ)=θ12(Xθy⃗ )T(Xθy⃗ )=12θ(θTXTXθθTXTy⃗ y⃗ TXθ+y⃗ Ty⃗ )=12θtr(θTXTXθθTXTy⃗ y⃗ TXθ+y⃗ Ty⃗ )=12θ(trθTXTXθ2try⃗ TXθ)=12(XTXθ+XTXθ2XTy⃗ )=XTXθXTy⃗ 

θJ(θ)=0则有XTXθ=XTy⃗ θ=(XTX)1XTy⃗ (注意:这里其实还有一个巧妙的地方就是XTX是可以写成xi,xj这样的形式,也就意味着这里可以使用核函数计算)。
至此,我们没有使用任何的迭代过程却求出了θ,是不是很爽!不过为什么这样的回归问题我们要选择使用最小二乘法作为我们的cost function J呢,欲知后事如何,且听下回分晓!
### 回答1: Coursera-ml-andrewng-notes-master.zip是一个包含Andrew Ng的机器学习课程笔记和代码的压缩包。这门课程是由斯坦福大学提供的计算机科学和人工智能实验室(CSAIL)的教授Andrew Ng教授开设的,旨在通过深入浅出的方式介绍机器学习的基础概念,包括监督学习、无监督学习、逻辑回归、神经网络等等。 这个压缩包中的笔记和代码可以帮助机器学习初学者更好地理解和应用所学的知识。笔记中包含了课程中涉及到的各种公式、算法和概念的详细解释,同时也包括了编程作业的指导和解答。而代码部分包含了课程中使用的MATLAB代码,以及Python代码的实现。 这个压缩包对机器学习爱好者和学生来说是一个非常有用的资源,能够让他们深入了解机器学习的基础,并掌握如何运用这些知识去解决实际问题。此外,这个压缩包还可以作为教师和讲师的教学资源,帮助他们更好地传授机器学习的知识和技能。 ### 回答2: coursera-ml-andrewng-notes-master.zip 是一个 Coursera Machine Learning 课程的笔记和教材的压缩包,由学生或者讲师编写。这个压缩包中包括了 Andrew Ng 教授在 Coursera 上发布的 Machine Learning 课程的全部讲义、练习题和答案等相关学习材料。 Machine Learning 课程是一个介绍机器学习的课程,它包括了许多重要的机器学习算法和理论,例如线性回归、神经网络、决策树、支持向量机等。这个课程的目标是让学生了解机器学习的方法,学习如何使用机器学习来解决实际问题,并最终构建自己的机器学习系统。 这个压缩包中包含的所有学习材料都是免费的,每个人都可以从 Coursera 的网站上免费获取。通过学习这个课程,你将学习到机器学习的基础知识和核心算法,掌握机器学习的实际应用技巧,以及学会如何处理不同种类的数据和问题。 总之,coursera-ml-andrewng-notes-master.zip 是一个非常有用的学习资源,它可以帮助人们更好地学习、理解和掌握机器学习的知识和技能。无论你是机器学习初学者还是资深的机器学习专家,它都将是一个重要的参考工具。 ### 回答3: coursera-ml-andrewng-notes-master.zip是一份具有高价值的文件,其中包含了Andrew Ng在Coursera上开授的机器学习课程的笔记。这份课程笔记可以帮助学习者更好地理解掌握机器学习技术和方法,提高在机器学习领域的实践能力。通过这份文件,学习者可以学习到机器学习的算法、原理和应用,其中包括线性回归、逻辑回归、神经网络、支持向量机、聚类、降维等多个内容。同时,这份笔记还提供了很多代码实现和模板,学习者可以通过这些实例来理解、运用和进一步深入研究机器学习技术。 总的来说,coursera-ml-andrewng-notes-master.zip对于想要深入学习和掌握机器学习技术和方法的学习者来说是一份不可多得的资料,对于企业中从事机器学习相关工作的从业人员来说也是进行技能提升或者知识更新的重要资料。因此,对于机器学习领域的学习者和从业人员来说,学习并掌握coursera-ml-andrewng-notes-master.zip所提供的知识和技能是非常有价值的。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值