基于Octave/Matlab的梯度下降算法—单变量线性回归问题

最新推荐文章于 2021-03-21 09:17:32 发布

Jeffrey_yh

最新推荐文章于 2021-03-21 09:17:32 发布

阅读量653

点赞数 3

分类专栏：机器学习算法文章标签：机器学习 matlab 算法

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/weixin_43914325/article/details/105346609

版权

这篇博客介绍了如何基于Octave/Matlab使用梯度下降算法解决单变量线性回归问题。内容包括梯度下降算法的基本思想，代价函数的表达式，以及算法的编程实现，包括main函数、plotData、computeCost和gradientDescent函数。博主还展示了算法运行的结果，如回归直线、最优theta值以及代价函数的立体图和等高线图。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于Octave/Matlab的梯度下降算法——单变量线性回归问题的编程实现（吴恩达机器学习）

本实验基于吴恩达老师的机器学习课程课后作业，并进行了实现，理解和再整理。

梯度下降算法的基本思想

代价函数表达式：
在这里插入图片描述

	J用以表示回归函数与实例之间偏差程度。

而在编程中的一大思想是实现向量化，即用向量和矩阵的相乘来实现基本计算。
在这里插入图片描述

例如模拟的线性回归方程就可以用theta矩阵的转置和X矩阵相乘来表示。

梯度下降算法的核心在于对于回归方程中参数的“同时”更新，用下式来不断逼近可以让J函数值最小的theta值。
在这里插入图片描述
以上就是梯度下降算法的最基础原理，如有不甚清楚的部分可以参考吴恩达老师的机器学习网课进行深入理解。

算法实现

本实验代码是在吴恩达老师的课程资料基础上进行的简化和汉化注释的编译

main函数

cl

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。