线性回归

线性回归是一种有监督学习方法,本质上是学习xy的一种映射关系。对于给定的x,预测其输出\hat{y}=f(x)

一、对线性回归的认识

1、假设房子的价格只和房子的面子有关,那么:
                                                                               y=ax+b
2、假设房子的价格和房子的面积、卧室的个数有关,那么:
                                                                     h_{\theta}(x)={\theta}_0+{{\theta}_1}{x_1}+{{\theta}}{x_2}

     令x_0=1,可以得到:

                                                                       h_{\theta}(x)=\sum_{i=0}^{n}{\theta}_{i}x_{i}={\theta}^{T}x

3、推广开来:

                                                             f(x)=\theta_{0}+\theta_{1}x_{1}+\theta_{2}x_{2}+...+\theta_{n}x_{n}

      令x_{0}=1,用向量形式表示为:

                                                                                 f(x)={\theta}^{T}x

二、线性回归求解

1、代价函数(损失函数):

代价函数的作用:衡量效果最好的一组参数\begin{align*} [\theta_0, \theta_1,...,\theta_n] \end{align*}

公式为:                                                 J(\theta_0,\theta_1,...,\theta_n)=\frac{1}{2m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2

2、最小化代价函数:

代价函数是一个凸函数

采用梯度下降法求解代价函数最小值:

梯度下降法如同下山,朝着梯度的方向,每次迈一小步直到最低的位置。

对于:

                                                                       h_{\theta}(x)={\theta}_0+{\theta}_1{x}

其代价函数为:                               

                                                          J(\theta_0,\theta_1)=\frac{1}{2m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2

梯度下降公式为:

                                                          \begin{align*} \theta_0&:=\theta_0-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})\\ \theta_1&:=\theta_1-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})\cdot x^{(i)}\\ \end{align*}

推广到一般情况:

                                                         \begin{align*} \theta_0&:=\theta_0-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})\cdot x_{0}^{(i)}\\ \theta_1&:=\theta_1-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})\cdot x_{1}^{(i)}\\ \theta_2&:=\theta_2-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})\cdot x_{2}^{(i)}\\ ...\\ \end{align*}

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章