INGg__的博客

前言在前面我们用了线性回归来拟合出了只有一个变量的函数，那么我们现在如果有多个变量共同作用，应该如何操作？什么是多元线性回归x(i)x^{(i)}x(i)表示第 i 个训练样本的特征向量xj(i)x^{(i)}_jxj(i)​表示第 i 个样本的 特征向量的第 j 个特征值我们可以根据之前的一元的线性回归来类比的写出多元的假设应该是：hθ(x)=θ0+θ1x1+θ2x2+⋯++θnxnh_{\theta}(x) = \theta_0 + \theta_1x_1+ \theta_2x_2 +

文章目录梯度梯度下降方法线性回归算法梯度相信大家在高数中都学过什么是梯度。梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。也就是 grad  fgrad \;fgradf函数在一点沿梯度方向的变化率最大，最大值为该梯度的模梯度下降可以那个代价函数 J 最小化的一种算法，当然也可以最小化其他函数，不仅仅是线性回归中的方法给定θ0\theta_0θ0​和θ1\theta_1θ1​

文章目录线性回归代价函数确认模型参数线性回归首先这是一个回归的问题，这肯定的。那么什么是回归呢？回归是说的是，我们根据已有的数据，预测一个具体的数值输出回归，指研究一组随机变量(Y1 ，Y2 ，…，Yi)和另一组(X1，X2，…，Xk)变量之间关系的统计分析方法，又称多重回归分析。通常Y1，Y2，…，Yi是因变量，X1、X2，…，Xk是自变量。（百度百科）线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w’

准备现在开始入手一些机器学习的一些相关知识，扩充一下自己的知识领域。什么是机器学习？计算机程序从经验 E 中学习，解决某一任务 T ，进行某一性能度量 P ，通过 P 测定在 T 上的表现因经验 E 而提高对于跳棋游戏：E 是程序和自己下几万次；T 是玩跳棋；P 是与新对手玩跳棋时赢的概率也可以说，E经验（知识），T任务（要解决什么），P性能（指标）这样分类有两个最主要的机器学习分类：监督学习和无监督学习监督学习简单来说就是我们通过给机器一个数据集，里面包含正确答案，指导着机器进行学习。分类