文章目录

一、简单线性回归（即一元线性回归）
二、代价函数
- 数学表达式：
- 代码实现：
- 实例说明
三、梯度下降
- 数学表达式：
- 具体方法
- 代码实现：
- 代价随迭代次数的变化

一、简单线性回归（即一元线性回归）

线性回归属于监督学习，因此方法和监督学习应该是一样的，先给定一个训练集，根据这个训练集学习出一个线性函数，然后测试这个函数训练的好不好（即此函数是否足够拟合训练集数据），挑选出最好的函数（cost function最小）即可。
注意：
1.因为是线性回归，所以学习到的函数为线性函数，即直线函数；
2.因为是单变量，因此只有一个x；

线性回归模型：

二、代价函数

看过了简单线性回归，我们肯定有一个疑问，怎么样能够看出线性函数拟合的好不好呢？

我们需要使用到Cost Function（代价函数），代价函数越小，说明线性回归地越好（和训练集拟合地越好），当然最小就是0，即完全拟合；

虽然我们现在还不知道Cost Function内部到底是什么样的，但是我们的目标是：给定输入向量x，输出向量y，theta向量，输出Cost值；

数学表达式：

代码实现：

# 计算代价函数
def computerCost(X,y,theta):m = len(y)J = 0J = (np.transpose(X*theta-y))*(X*theta-y)/(2*m) #计算代价Jreturn J

肯能对代价函数还是比较懵逼，那就看看具体的东西。

实例说明

比如给定数据集(1,1)、(2,2)、(3,3)则x = [1;2;3]，y = [1;2;3] （此处的语法为Octave语言的语法，表示3*1的矩阵）

如果我们预测theta0 = 0，theta1 = 1，则h(x) = x，则cost function：
J(0,1) = 1/(2*3) * [(h(1)-1)^2+(h(2)-2)2+(h(3)-3)^2] = 0；
如果我们预测theta0 = 0，theta1 = 0.5，则h(x) = 0.5x，则cost function：
J(0,0.5) = 1/(2*3) * [(h(1)-1)^2+(h(2)-2)2+(h(3)-3)^2] = 0.58；

theta0，theta1分别代表数学表达式中的θ0\theta_{0}θ0和θ1\theta_{1}θ1

如果theta0 一直为 0，则theta1与J的函数为：

如果有theta0与theta1都不固定，则theta0、theta1、J 的函数为：

当然我们也能够用二维的图来表示，即等高线图：

注意：如果是线性回归，则costfunctionJ与的函数一定是碗状的，即只有一个最小点。

三、梯度下降

在知道了如何看出线性函数拟合好不与好后，又生出了一个问题，我们如何调整函数的参数使拟合程度达到最佳呢？

人工手动调试是肯定不行的太耗时间，而且结果不一定让我们满意。这时就需要引入梯度下降的概念找出cost function函数的最小值。

梯度下降原理：将函数比作一座山，我们站在某个山坡上，往四周看，从哪个方向向下走一小步，能够下降的最快。

数学表达式：

其中α\alphaα为学习速率，控制梯度下降的速度，一般取0.01,0.03,0.1,0.3…
m为Y的长度，即训练集中元素的个数
θj\theta_{j}θj为代价函数

具体方法

(1)先确定向下一步的步伐大小，我们称为Learning rate（即α\alphaα）。
(2)任意给定一个初始值。
(3)确定一个向下的方向，并向下走预先规定的步伐，并更新。
(4)当下降的高度小于某个定义的值，则停止下降。

初始点不同，获得的最小值也不同，因此梯度下降求得的只是局部最小值。

代码实现：

# 梯度下降算法
def gradientDescent(X,y,theta,alpha,num_iters):m = len(y)      n = len(theta)temp = np.matrix(np.zeros((n,num_iters)))   # 暂存每次迭代计算的theta，转化为矩阵形式J_history = np.zeros((num_iters,1)) #记录每次迭代计算的代价值for i in range(num_iters):  # 遍历迭代次数    h = np.dot(X,theta)     # 计算内积，matrix可以直接乘temp[:,i] = theta - ((alpha/m)*(np.dot(np.transpose(X),h-y)))   #梯度的计算theta = temp[:,i]J_history[i] = computerCost(X,y,theta)      #调用计算代价函数print(".")return theta,J_history

刚开始不宜研究过深，后期再对线性回归内容进行补充。

代价随迭代次数的变化

在梯度下降的过程中代价会随迭代次数的增加而减少，但并不是迭代次数越多越好，当迭代次数达到一定值后，代价值几乎不会有变化。

参考文章：机器学习入门：线性回归及梯度下降，我精减了他这篇博客的内容，并加入python的代码实现。

机器学习第4天：线性回归及梯度下降相关推荐

机器学习01-定义、线性回归、梯度下降
目录一.定义 What is Machine Learning 二.建模 Model Representation 三.一元线性回归 Linear Regression with One Varia ...
用懊悔法学习吴恩达机器学习【2】-----线性回归的梯度下降
以下英文文档皆出自课程配套笔记课9 代价函数二这一课时考虑使用两个参数来描述代价函数.此时等价函数是一个碗形,碗底点为最小值,将碗形用等高线表示,等高线中心就是代价函数的最小值.所以距离等高线中心 ...
吴恩达机器学习（六）线性回归的梯度下降
文章目录 1.先导知识 2.线性回归的梯度下降 1.先导知识之前学习的内容: 2.线性回归的梯度下降我们要做的是将梯度下降法应用到最小化平方差代价函数, 我们解决过的梯度下降问题之一就是它容易陷入 ...
吴恩达机器学习1——单变量线性回归、梯度下降
目录吴恩达机器学习第一周一.什么是机器学习? 二.机器学习的分类 1. 监督学习 2. 非监督学习 3. 监督学习和非监督学习的举例三.单变量线性回归(**Linear Regression w ...
机器学习：单变量线性回归及梯度下降
***************************************** 注:本系列博客是博主学习Stanford大学 Andrew Ng 教授的<机器学习>课程笔记.博主深感学 ...
【机器学习基础】线性回归和梯度下降的初学者教程
作者 | Lily Chen 编译 | VK 来源 | Towards Data Science 假设我们有一个虚拟的数据集,一对变量,一个母亲和她女儿的身高: 考虑到另一位母亲的身高为63,我们如何 ...
为什么回归直线过平均值点_线性回归和梯度下降的初学者教程
假设有一个虚拟的数据集包含多对变量,即每位母亲和她女儿的身高: 通过这个数据集,我们如何预测另一位身高为63的母亲的女儿的身高? 方法是用线性回归. 首先找到最佳拟合线,然后用这条直线做预测. 线性回 ...
线性回归随机梯度下降_线性回归的批次梯度与随机梯度下降
线性回归随机梯度下降 In this article, we will introduce about batch gradient and stochastic gradient descent m ...
线性回归实现——梯度下降
文章目录线性回归实现实验数据: 实现结果: 算法流程: 代码实现: 线性回归实现 y=ax+by = ax + by=ax+b x,y 是向量,a,b是标量梯度下降法: a=a−α∂cost∂a ...

机器学习第4天：线性回归及梯度下降

文章目录

一、简单线性回归（即一元线性回归）

二、代价函数

数学表达式：

代码实现：

实例说明

三、梯度下降

数学表达式：

具体方法

代码实现：

代价随迭代次数的变化

机器学习第4天：线性回归及梯度下降相关推荐

最新文章

热门文章