線性回歸(Linear Regression)

本文介绍了線性回歸的基本概念,包括如何表示訓練數據,通用表达式以及代價函數的作用。通过代價函數最小化找到最优的θ参数,采用递归下降方程进行迭代优化,其中学习率α是关键。同时讨论了特征缩放的重要性,以加速收敛并避免某些样本的影响过大。最后提到了正规方程作为另一种求解方式,但需要矩阵可逆的条件。

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


訓練數據的表示方法:

X右上角括號裏的數字表示第幾組數據

X右下角的數字表示第幾個特徵量

組合起來則是第幾組數據的第幾個特徵量


通用表逹式

每個θ(未知待解系數)和對應的x(我們代入的訓練數據)相乘, 而常數項θ0則與x0相乘,這裏的特徵量x0是我們自己添加上的,默認x0=1。

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