吴恩达机器学习笔记（3）

多变量线性回归：

问题：根据多个属性，如房子面积，房子楼层，房子年龄等估计房子的价格

多变量线性回归中的变量 多变量线性回归的假设 此时有多个特征,i对应不同的特征值，如房子面积，楼层，年龄等，参数为一个n+1维向量 多变量线性回归中的梯度下降，对每一个参数求偏导数从而得到不同参数的梯度

参数特征缩放——加速梯度下降过程收敛到最优值

多变量梯度下降时，参数的取值要尽量小

在多多变量梯度下降中，要让不同参数的取值范围尽量相似且范围要小，如果取值范围差别很大，如左上图，那么等值线会变得细长，会使得梯度下降来回震荡，达到最优解所需的步骤更多，时间变长。为了解决这种问题，可以将参数进行调整，如右上图，参数全部特征缩放为（0,1）范围内的值，得到较为均匀等值线，这样在梯度下降的过程中所需的步骤和时间都会比较少。                                                                                                                                                    通常特征缩放将参数范围转化为大约在（-1,1）附近。有时也会进行均值归一化，即减去样本均值后在除以样本个数。或进行样本标准化，即每个样本减去均值后在除以标准差。

学习率——调试Debugging 和 学习率的选择

调试：确保你梯度正常工作，若梯度下降正常工作，每一步迭代后的代价函数值是下降的。跌通常损失函数值不在下降或下降的不太明显的时候就实现了收敛，通常可以通过收敛测试自动判断是否收敛，当下降的大小小于某一个阈值时，则认为其实现了收敛。

损失函数随迭代次数变化图 要选择合适的学习率

如果选择的学习率较大，则会产生如上左图，上升的损失函数值或震荡的损失函数线，但是若学习率较小，则会使达到收敛所需的步数增多。数学家们已经证明，只要有足够小的学习率，损失函数是会下降的。在进行梯度下降时，可以尝试不同的学习率（十倍间隔/三倍间隔），画出不同学习率下的损失函数线，然后选择合适的学习率。