吴恩达机器学习笔记 —— 5 多变量线性回归

本篇主要讲的是多变量的线性回归,从表达式的构建到矩阵的表示方法,再到损失函数和梯度下降求解方法,再到特征的缩放标准化,梯度下降的自动收敛和学习率调整,特征的常用构造方法、多维融合、高次项、平方根,最后基于正规方程的求解。

更多内容参考 机器学习&深度学习

在平时遇到的一些问题,更多的是多特征的

多变量的表示方法

多元线性回归中的损失函数和梯度求解


有时候特征各个维度是不同规模的,比如房间的平米数和房间数,两个数量级相差很大。如果不丛任何处理,可能导致梯度优化时的震荡。

一般如果特征时在可接受的范围内,是不需要做特征缩放的。如果很大或者很小,就需要考虑进行特征的缩放了。

标准化,即

自动收敛测试:如果梯度在优化后变化很小,比如10^-3,那么就认为梯度优化已经收敛。

如果发现误差在不断的增加或者不断的抖动,那么应该减小学习率,这一版都是由于学习率过大导致的震荡。但是如果学习率设置的很小,收敛的速度又会很慢。一般都是采用不同的学习率来测试,比如0.001, 0.01, 0.1, 1 ....

有的时候我们选择的特征,并不是直接使用数据,而是通过数据拟合出新的特征。比如我们有房子的长宽,但是使用特征的时候,可以构造出一个面积特征,会更有效果。

通过x构造新的特征替换高维特征

如果不希望房子的价格出现下降,可以构造平方根的特征:

基于正规方程解


基于梯度下降和正规方程的区别

如果特征之间共线,会导致矩阵不可逆

posted @ 2018-07-16 23:23  xingoo  阅读(661)  评论(0编辑  收藏  举报