线性回归之标准方程法求损失函数最小值

在吴恩达-人工智能视频学习过程中，关于线性回归之标准方程法求损失函数最小值，比较经典的两处截图：
图1

图2

关于图2的证明，其实有个简单的思路。在电脑上打数字公式太为难了，我还是在纸上写吧：
先将图1的X矩阵转置为1行n列。那么就有

更详细的推演可以参考：
https://blog.csdn.net/zhangbaodan1/article/details/81013056

具体编码实现：下图@改为乘号*

在前文https://www.cnblogs.com/myshuzhimei/p/11743544.html案例中，套用该方法即：
import numpy as np
x=np.matrix([[1,1],[1,2],[1,2],[1,1],[1,3]])
y=np.matrix([[14],[24],[18],[17],[27]])
z=np.linalg.inv(x.Tx)x.T*y #代码复制后乘号显示异常
print z

输出结果：
[[9.71428571]
[5.71428571]]

注意：
x0全部置为1，所以X矩阵至少有两列，第1列全部是1，第2列是特征值。
x1表示特征1...xn表示特征n，从单特征角度来看X和Y矩阵都是列向量。
Z也是列向量，行结果分别对应截距、特征1的向量...特征n的向量。

原文地址：https://www.cnblogs.com/myshuzhimei/p/12053787.html