xiazdong

本文会讲到：   (1)另一种线性回归方法：Normal Equation； (2)Gradient Descent与Normal Equation的优缺点； 前面我们通过Gradient Descent的方法进行了线性回归，但是梯度下降有如下特点： (1)需要预先选定Learning rate； (2)需要多次iteration； (3)需要Feature Scal

本文会讲到： (1)线性回归的定义 (2)单变量线性回归 (3)cost function：评价线性回归是否拟合训练集的方法 (4)梯度下降：解决线性回归的方法之一 (5)feature scaling：加快梯度下降执行速度的方法 (6)多变量线性回归 Linear Regression     注意一句话：多变量线性回归之前必须要Feature Scaling

什么是机器学习？   在1959年，Arthur Samuel：不用编程去指定机器做什么，而是让机器有能力自己学习； 在1998年，Tom Mitchell：首先定义任务T，经验E，表现P，如果机器有一个任务T，随着经验E的增多，表现P也会变好，则表示机器正在经验E中学习；   以上就是对机器学习的两个定义；     机器学习在生活中也处处可见，比如： (1)在gmail

一、算法实现 由前面的理论，我们知道了用梯度下降解决线性回归的公式： 梯度下降解决线性回归思路： 算法实现： ComputeCost函数： function J = computeCost(X, y, theta) m = length(y); % number of train

多元线性回归其实方法和单变量线性回归差不多，我们这里直接给出算法： computeCostMulti函数 function J = computeCostMulti(X, y, theta) m = length(y); % number of training examples J = 0; predictions = X * theta; J = 1/(2*m)*