【速通版】吴恩达机器学习笔记Part2

目录

1. 代价函数（cost function）（P11-P15）

 2.梯度下降（GD，gradient descent）

---

 

1. 代价函数（cost function）（P11-P15）

代价函数用来评判算法结果的好坏，主要用的平方误差函数

 

 认为J衡量fit的程度

 总结：

 一个例子：

 

能理解，类似于一个二维优化问题，找二维里最佳的（w，b） 

 2.梯度下降（GD，gradient descent）

直观理解：

这玩意太熟了，应用范围广、针对可微函数很好用，但是问题在于必须针对可微函数并且容易陷入局部最优 。但是在线性回归+MSE的问题里只有一个局部最小（同时也是全局最小），因此这个方法非常实用。

关于derivative等不再赘述，\alpha 是学习率、优化里的步长。关键在于【同时更新w和b】，这是当提及GD时候的默认的关键

 关于这个学习率，小了收敛很慢，大了可能来回横跳，但是我们事先并不知道哪个值是最佳的，只能事先设置。理论上，我们知道当我们步数越多的时候，步长应该越小，（就像找东西，找到近的位置的时候应该更仔细，）但是，下面图表示出我们直观上可以用恒定的步长找到最优值（因为derivative在变小）

 数学式子如下：最简单的微积分 过

  

用图示直观理解如下： 

 之前

 

第一次作业相对简单，matlab码过多次了，其实就是一个梯度下降法的循环，略。 有需要可以参考：Coursera-ML-AndrewNg-Notes/code at master · fengdu78/Coursera-ML-AndrewNg-Notes · GitHub