Coursera Machine Learning 学习笔记（八）



IV. Linear Regression with Multiple Variables (Week 2)

- Multiple features

之前我们介绍了单变量/单特征的回归模型，现在我们对房价预测模型增加更多的变量也就是更多的特征，比如房间数、楼层、房龄等，从而构成一个含有多个变量/特征的模型。

在增加了更多变量/特征之后，我们将引入一系列新的符号和解释：

n 代表变量/特征的个数

代表第i个训练实例，也就是特征矩阵中的第i行，即一个向量

代表第i个训练实例的第j个特征，也就是特征矩阵中第i行的第j个特征

因此，多变量/特征的假设h可以表示为：

这个公式中有n+1个参数和n个变量，为了简化公式，我们令，则公式则表示为：

此时h中的参数是一个n+1维的向量，训练实例也都是n+1维的向量。

因此公式可以简化为：

其中上标T代表了矩阵的转置。

- Gradient descent for multiple variables

与单变量/特征线性回归相似，在多变量/特征线性回归中，我们也将定义一个代价函数，即：

我们的目标和单变量/特征线性回归中的问题相同，就是要找出使得代价函数最小的参数组合。

因此，多变量/线性回归梯度下降算法为：

即：

求导数后可以得到：

之后，我们通过随机更新一系列的值并计算代价函数，直到收敛。