梯度下降算法-案例实践

本文介绍了在一元线性回归中如何利用梯度下降算法找到最佳拟合直线。首先,阐述了线性回归的目标是通过最小化代价函数来选择最佳直线,代价函数衡量预测值与真实值的误差平方和。接着,讨论了梯度下降方法,通过求导确定参数θ0和θ1,以最小化代价函数。最后,展示了在100条数据上的实践过程和结果。

一元线性回归

一元线性回归算法的原理比较简单,大致思路就是:对于给定的数据集,找到一条直线y=θ0x+θ1y=\theta_0x+\theta_1y=θ0x+θ1,使这条直线可以很好的拟合所有的数据。那么如何选择直线,这是一元线性回归的关键所在。
首先,思考一个问题,什么样的直线可以算得上最好的拟合所有样本点?于是这就引出了代价函数。

代价函数

代价函数也可以称为损失函数,从字面意思即可理解,代价函数代表的是真实值与预测值之间的误差。
在一元线性回归算法中,代价函数如下定义:

  • 使用最小二乘法
  • 真实值yyy,预测值hθ(x)h_\theta(x)hθ(x),则误差的平方为(y−hθ(x))2(y-h_\theta(x))^2(yhθ
评论 1
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