写在前面的话：文章主要参考斯坦福吴恩达教授在Coursera上的《machine learning》视频。
线性回归算法主要适用于线性模型，视频中给了一个生动的例子，是关于房价的：
我们可以从中发现数据的分布可以近似的用一条直线来描述，线性回归算法就是依照已知数据来生成回归直线，对相关问题进行预测。流程如下图所示：
由于是线性问题，我们提出的模型假设是线性函数：
该模型主要是由两个参数决定的，如何确定两个参数就需要引入代价函数:
其中，
为对应于样本Xi的预测值，它减去样本中的Yi，可以将上式看作是预测值与真实值的距离。因此，我们将这个距离最小，就使得我们的模型更加贴近我们给定的训练数据。因此，我们的目标函数为：
梯度下降算法
梯度下降算法可以计算线性回归中的参数，其中a的选择很重要，如果过小就会耗费时间，如果过大会造成不再收敛，无法找到最优解。对于初始值的选定，我们可以用0来初始化参数，视频中，吴恩达大神还探讨了下如果初始值恰好为最优值的情况：
此时，该点的梯度值为0，因此，在循环过程中，参数将不再发生变化，我们也就找到了最优解。
局部最优解问题
在梯度下降算法中，如果我们选定的起始值不同，就可能造成下降的路径不同，可能会找到不同的局部最优解，不过，在线性回归问题中，我们只有一个最优解：
网友评论