Normal Equations 的由来
Normal Equations 的由来
假设我们有m个样本。特征向量的维度为n。因此,可知样本为{(x(1),y(1)), (x(2),y(2)),... ..., (x(m),y(m))},其中对于每一个样本中的x(i),都有x(i)={x1(i), xn(i),... ...,xn(i)}。令 H(θ)=θ0 + θ1x1 +θ2x2 +... + θnxn,则有
若希望H(θ)=Y,则有
X · θ = Y
我们先来回忆一下两个概念:单位矩阵 和 矩阵的逆,看看它们有什么性质。
(1)单位矩阵E
AE=EA=A
(2)矩阵的逆A-1
要求:A必须为方阵
性质:AA-1=A-1A=E
再来看看式子 X · θ = Y
若想求出θ,那么我们需要做一些转换:
step1:先把θ左边的矩阵变成一个方阵。通过乘以XT可以实现,则有
XTX · θ = XTY
step2:把θ左边的部分变成一个单位矩阵,这样就可以让它消失于无形了……
(XTX)-1(XTX) · θ = (XTX)-1XTY
step3:由于(XTX)-1(XTX) = E,因此式子变为
Eθ = (XTX)-1XTY
E可以去掉,因此得到
θ = (XTX)-1XTY
这就是我们所说的Normal Equation了。
Normal Equation VS Gradient Descent
Normal Equation 跟 Gradient Descent(梯度下降)一样,可以用来求权重向量θ。但它与Gradient Descent相比,既有优势也有劣势。
优势:
Normal Equation可以不在意x特征的scale。比如,有特征向量X={x1, x2}, 其中x1的range为1~2000,而x2的range为1~4,可以看到它们的范围相差了500倍。如果使用Gradient Descent方法的话,会导致椭圆变得很窄很长,而出现梯度下降困难,甚至无法下降梯度(因为导数乘上步长后可能会冲出椭圆的外面)。但是,如果用Normal Equation方法的话,就不用担心这个问题了。因为它是纯粹的矩阵算法。
劣势:
相比于Gradient Descent,Normal Equation需要大量的矩阵运算,特别是求矩阵的逆。在矩阵很大的情况下,会大大增加计算复杂性以及对计算机内存容量的要求。
什么情况下会出现Normal Equation,该如何应对?
(1)当特征向量的维度过多时(如,m <= n 时)
解决方法:① 使用regularization方式
or ②delete一些特征维度
(2)有redundant features(也称为linearly dependent feature)
例如, x1= size in feet2
x2 = size in m2
feet和m的换算为 1m≈3.28feet所以,x1 ≈ 3.282 * x2, 因此x1和x2是线性相关的(也可以说x1和x2之间有一个是冗余的)
解决方法:找出冗余的特征维度,删除之。
练习
练习的介绍页面见Ng的openclassroom Exercise: Multivariate Linear Regression
下载页面上的数据,然后载入matlab中。
y(i)表示价格,x(i)表示房屋面积和房间数:
样本数m=47。
step1:对数据进行预处理
给每一个x向量,都增加一个x0=1的分量。
m = 47; x=[ones(m,1),ex3x];
查看x矩阵:
step2:带入normal equation公式θ = (XTX)-1XTY,求解权重向量。
y=ex3y;theta = inv(x'*x)*x'*y;
求得θ向量为
如果我想预计“1650-square-foot house with 3 bedrooms”的价格,那么由X * θ = Y可知:
price = [1,1650,3]* theta ;
我们取消matlab中的科学计数法,看看price的价格是多少:
>> format long g
>> price
price = 293081.464334897
我们在给出的样本中,找一个接近的样本比比看:
23号样本的房屋面积为1604,房间数也为3,它的价格为
我们可以尝试画出H(θ)函数的图像看看:
先分别用min和max函数找出房屋面积(x1)和房间个数(x2)的最大和最小值,有
x1∈[852,4478]
x2∈[1,5]
x1=linspace(852,4478,47); x2=linspace(1,5,47); [xx1,xx2]=meshgrid(x1,x2); h_theta = theta(1)*ones(47,47) + theta(2)*xx1 + theta(3)*xx2; surf(xx1,xx2,h_theta);
可以看到H(θ)为如下平面:
Normal Equations 的由来相关推荐
- Normal Equations 的由来与推导
http://blog.csdn.net/huruzun/article/details/41493063
- 正规方程组(The normal equations)
2. 正规方程组 上一节的梯度下降是一种最小化成本函数JJ的方法.这一节我们将介绍另一种算法也可以实现该功能且不需要使用迭代.正规方程组通过计算成本函数对每个θj\theta_j的偏导数,求出偏导为零 ...
- Machine Learning——DAY1
监督学习:分类和回归 非监督学习:聚类和非聚类 1.分类和聚类的区别: 分类(Categorization or Classification)就是按照某种标准给对象贴标签(label),再根据标签来 ...
- word文档封面免费下载_为Word 2007文档添加封面
word文档封面免费下载 I've been using Microsoft Word since 1985, starting with Word for Mac and eventually mo ...
- 线性回归、logistic回归、广义线性模型——斯坦福CS229机器学习个人总结(一)
纪念我第一个博客的碎碎念 先前我花了四五个月的业余时间学习了Ng的机器学习公开课,学习的过程中我就在想,如果我能把这个课程啃完,就开始写一些博客,把自己的所得记录下来,现在是实现的时候了.也如刘未鹏的 ...
- 简单多元线性回归(梯度下降算法与矩阵法)
from:https://www.cnblogs.com/shibalang/p/4859645.html 多元线性回归是最简单的机器学习模型,通过给定的训练数据集,拟合出一个线性模型,进而对新数据做 ...
- 吴恩达机器学习Ex1多元回归部分
多元线性回归 提交作业情况: 背景:预测房价 数据集:房屋大小,卧室的数量,房价. Loading data ... First 10 examples from the dataset: x = [ ...
- 吴恩达机器学习(第二章)——单变量线性回归
第二章-单变量线性回归 文章目录 第二章-单变量线性回归 模型描述 代价函数 梯度下降 梯度下降的思想 梯度下降算法的公式 梯度下降的运动方式 线性回归的梯度下降 模型描述 在监督学习中我们有一个数据 ...
- 吴恩达 ML作业提交:Grader sent no response
目录 文章目录 目录 前言 正文 解决方案 前言 最近在补习吴恩达machinelearning 的课程,上完了课,肯定是要做作业的,做作业没有问题,但在提交作业时遇到了问题,记录如下,方便后来人. ...
最新文章
- Office 如何下载网页的视频 JWPlayer的内嵌视频
- 关于vscode的插件配置
- 打开Eclipse时出现Failed to create the Java Virtual Machine
- 解决Dialog 消失,输入法不消失的问题
- React、PHP送书中奖名单,快看有你么!
- java 定时任务哪个好_java目前常用的几种定时任务
- Fcitx──小企鹅输入法---Ubuntu input method
- imagenet classification with deep convolutional neural networks
- mysql数据库怎容器化_数据库部署是否合适容器化?
- win7自带的xps viewer很好用
- qt android编程,Qt for Android开发实例教程
- 前端Js处理百度地图和腾讯/高德地图经纬度不同的转换问题
- 【深度学习】图像超分实验:SRCNN/FSRCNN
- 牛顿法求函数零点和极值点
- 手机进程设置多少个最好_手机打开,开发者选项中的这4个设置,性能瞬间提升一倍,不卡顿...
- base64 的加密和解密
- Image2Lcd图片取模软件
- 如何解决chrome flash 过期
- 瓢城旅行社网页界面设计(HTML+CSS)
- 张小娴经典语录100句
热门文章
- 回答完数据库连接池原理,面试官跪着求我入职他们公司
- android获取GPU信息;android获取GPU渲染器、供应商、版本和扩展名等信息
- iteye上总结的编程精华资源
- 微信数据库最新的解密方式,使用C++代码解密微信加密数据库信息!
- 微信Mars-xlog日志加密踩坑指南
- 网站图片怎么优化搜索排名
- 简明扼要理解YOLOX
- echarts 3d柱状图(bar3D)默认缩放大小
- 科技日语写作 计算机科学专题,科技进步和人类日语作文
- CAD中插入外部参照字体会变繁体_CAD中形形色色的“替换”技巧你确定都知道了?...