哲哲的ML笔记（八：特征和多项式回归）

作者: 沿哲 | 来源:发表于2021-03-20 16:10 被阅读0次

哲哲的ML笔记（八：特征和多项式回归）
哲哲的ML笔记（六：多元梯度下降-特征缩放）
哲哲的ML笔记（二：模型）
哲哲的ML笔记（四：矩阵）
哲哲的ML笔记（十六：样本和直观理解）
哲哲的ML笔记（三：梯度下降）
哲哲的ML笔记（七：学习率）
哲哲的ML笔记（九：正规方程）
哲哲的ML笔记（十八：反向传播）
哲哲的ML笔记（十一：决策边界）

房价预测问题

$x_1$ :临街宽度 frongtage
$x_2$ :纵向深度 depth
假设函数 $h_\theta=\theta_0+\theta_1x_1+\theta_2x_2$

还可以

$x=frongtage*depth$
$h_\theta=\theta_0+\theta x$

线性回归并不适用于所有数据，有时我们需要曲线来适应我们的数据，比如一个二次/三次方模型

如果我们采用多项式回归模型，在运行梯度下降算法前，特征缩放非常有必要
比如预测房价问题中，你的model是 $h_\theta=\theta_0+\theta_1(size)+\theta_2\sqrt{(size)}$ 。size在1 ~1000

你想要拟合一个线性模型： $h_\theta=\theta_0+\theta_1x_1+\theta_2x_2$ ，那么 $x_1=\frac{size}{1000}$ ， $x_2=\sqrt{\frac{(size)}{1000}}$

哲哲的ML笔记（八：特征和多项式回归）
房价预测问题 :临街宽度 frongtage:纵向深度 depth假设函数还可以线性回归并不适用于所有数据，有...
哲哲的ML笔记（六：多元梯度下降-特征缩放）
为什么要特征缩放多维特征问题的时候，我们要保证这些特征都具有相近的尺度:房屋的尺寸：房屋的数量:房屋价格尺寸的值...
哲哲的ML笔记（二：模型）
1. 参数设定：训练实例数：输入变量/特征：预测的目标变量：一个训练样本：第 i 个训练样本：hypothesi...
哲哲的ML笔记（四：矩阵）
此处简略了很多内容，实际课程中讲得很细、很基础矩阵乘法性质 1.不满足交换律：满足结合律：转置、逆没有逆矩...
哲哲的ML笔记（十六：样本和直观理解）
神经网络与二元逻辑运算符神经网络中，单层神经元（无中间层）的计算可用来表示逻辑运算，比如逻辑与(AND)、逻辑或...
哲哲的ML笔记（三：梯度下降）
1. 前提回顾已知：代价函数，希望找到对应的参数使得最小思路：令从任意值开始（一般设置为=0）；每次微小改变直到...
哲哲的ML笔记（七：学习率）
代价函数-迭代次数梯度下降算法收敛所需要的迭代次数根据模型的不同而不同，我们不能提前预知，我们可以绘制迭代次数和...
哲哲的ML笔记（九：正规方程）
到目前为止，我们都在使用梯度下降算法，但是对于某些线性回归问题，正规方程方法是更好的解决方案正规方程是通过求解 ...
哲哲的ML笔记（十八：反向传播）
正向传播在之前介绍的通过神经网络预测结果，我们使用的其实是一种正向传播方法，从第一层开始正向一层一层进行计算，直...
哲哲的ML笔记（十一：决策边界）
决策边界根据函数表达式和图像，可以得到则假设有这样一个模型并且参数是向量[-3 1 1]。则当，即 ...