weixin_44320429的博客

分类问题Logistic回归算法如果使用直线来拟合数据的话，我们将分类器输出阈值设为0.5，若hθ(x)⩾0.5h_\theta(x)\geqslant0.5hθ​(x)⩾0.5，则可以预测y=1y=1y=1，否则认为y=0y=0y=0。但是如果我们再训练集中再添加一个Tumor Size很大的点，再运行线性回归我们会得到另一条直线去拟合数据，此时如果再选择0.5作为阈值则分类结果不理想。所以线性回归通常不是解决分类问题的好方法。当面对一个分类问题时，我们应该如何选择假设方程？在logisti

正规方程提供了一种求$\theta$的解析解法，不再需要运行迭代算法，而是可以直接一次性的求解$\theta$的最优解。

多特征值、使用梯度下降法来处理多元线性回归、特征缩放、如何选择学习率？

使用梯度下降法来最小化任何代价函数J

linear regression 线性回归Notation： m = Number of training example x's = “input”variable / featurees y's = “output”variable / “target”variable其中θ0\theta_0θ0​和θ1\theta_1θ1​称为模型参数，不同的模型参数会得到不同的假设函数h(x)如何得到合适的theta值？  选择能使h(x)，即输入x时我们预测的值最接近该样本