磕伴

摘要： 区别于梯度下降逐渐求θ，正规方程提供了一种求θ的解析解法，不需要运行迭代算法，一次性求解θ的最优值 无需特征缩放（梯度下降需要） θ是多个值组成的一个向量时候。逐个队参数θj求J的偏导数，把它们全部置零，这样求出θ0-θn的值，这样就能得到最小化代价函数J的θ值 梯度下降和特征缩放对比（α，迭代次数 阅读全文

摘要： 1.梯度下降(单，多元) 2.特征缩放 3.选择合适的α（学习率） 4.特征和多项式 梯度下降是很常用的算法，不仅用于线性回归，还广泛应用于机器学习的众多领域，可以最小化其他函数（任意函数） 不同的起始点有可能得到不同的局部最优解 下图Θ逐渐减小，直到最佳状态 可能会出现的问题 随着导数斜率越来越小 阅读全文