Nelson_hehe的博客

机器学习-特征缩放、特征工程、学习率相关：本章通过理论和实验的学习帮助我们用科学的方式为梯度下降选择一个好的学习率，了解不同的学习率选择对模型训练带来的效果，在直觉上也有助于我们更好的理解如何选择一个好的学习率。又通过基础知识讲解和实验学习了线性回归如何使用特征工程为复杂的、甚至高度非线性的函数建模，认识到在进行特征工程时应用特征缩放的重要性。

在本文中介绍了多特征的线性回归模型的应用场景、多特征的线性回归模型梯度下降法、多特征变量的向量表示并强调了向量化操作在效率提升上的重要性。接着，文章详细比较了单特征和多特征梯度下降的区别，以及传统设置变量法与向量表示的异同。最后，通过实际实验，展示了如何运用numpy包对向量或矩阵的各种处理操作，如何运用多特征的线性回归模型梯度下降法迭代计算令代价最小的多个特征参数的值。整篇文章系统地概述了梯度下降在多元线性回归中的应用。

本文主要介绍了机器学习中的线性回归模型使用梯度下降法寻找最优的w和b，并且对学习率在梯度下降法中的作用做一定示例演示，还对官方的梯度下降法演示lab进行整理归纳讲解，从多维度学习理解梯度下降法在线性回归模型中的应用过程。

在本文中，你将了解线性回归模型如何在代码中定义，并通过图表观察模型对给定w和b值的数据拟合程度。此外，你还可以尝试不同的w和b值，以检验是否能提升数据拟合效果。

吴恩达机器学习课程笔记-第一章、机器学习概述