本文介绍了机器学习中的单变量线性回归，从寻找最逼近样本点的直线开始，通过cost function的概念解释如何确定theta0和theta1。通过举例说明，阐述了在theta1=0时优化问题简化为最小化一元二次函数，并进一步扩展到二维情况。文章提到了梯度下降法用于找到最优解，并给出了算法迭代公式，讨论了learning rate的影响。最后，提供了配套练习链接以巩固理解。
线性回归的概念，在高中数学书里就出现过。
给出一个例子：假设 x 是房子面积，y是房子价格，确定一条直线需要theta0和theta1.
给出x,我们就可以计算出房子的价格 h(x) = theta0+theta1*x
关键是如何计算出theta0和theta1,也就是如何找出这么一条直线呢？
在这里，引入一个概念，叫做cost function.m表示样本个数，也就是训练样本数目
因此，我们的目的i就变成如何最小化这个J，意味着这条直线最逼近我们的样本点
先简化一下问
最低0.47元/天 解锁文章
扫一扫
1566
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
