本文深入探讨了线性方程的代价函数，并介绍了如何通过梯度下降算法来最小化该函数，实现对theta参数的最优调整。文章详细解释了算法公式，包括学习率alpha的作用，以及如何在Octave中实现这一过程。
有了线性方程以及他的代价函数：
然后我们的目标就是通过调整 theta0, theta1 最小化 J 的值。
那么梯度下降算法的公式如下：
alpha 是学习率，后面是对J和theta求偏导，以便得到这个点斜率，如果斜率为正就逐渐缩小theta，这样就逐步的调整到适合的theta
在Octave中表示为：
theta = theta - (alpha/m) * X' * (X*theta - y) 循环调用这个计算多次已达到收敛。
最后就能得出这样一组 theta
转载于:https://www.cnblogs.com/sunnystone85/p/10035930.html
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
