吴恩达机器学习课后作业-线性回归

阅读更多

最近在学习机器学习，课后作业很重要，贴上来记录一下，使用Octave实现，上干货！

 

warmup，代价函数和特征缩放比较简单，就不赘述了，直接看梯度下降核心部分：

 

gradientDescent.m

 

% 使用梯度下降公式，固定写死为单变量线性回归（theta是一个2元素列向量）

% 用(X*theta-y)点积X(:,1)的原因：(X*theta-y)是97*1维向量，按公式应该是(hθ(x(i)) − y(i))矩阵

% 和xj(i)矩阵的乘积来表示求和，这种表现形式等价于两个97*1的矩阵点积之后再求和，如：

% a=[1 2],b=[3;4],ab=sum(a.*b')

    

% 以下方法任选一种，只是一个小trick，完全等价

% 使用点积计算的方式：两个97*1的向量点积求和

% new_theta0 = theta(1) - (alpha / m) * sum((X * theta - y) .* X(:,1));

% new_theta1 = theta(2) - (alpha / m) * sum((X * theta - y) .* X(:,2));

    

% 使用矩阵乘法的方式1*97和97*1的矩阵乘法，不用单独求和

% new_theta0 = theta(1) - (alpha / m) * ((X * theta - y)' * X(:,1));

% new_theta1 = theta(2) - (alpha / m) * ((X * theta - y)' * X(:,2));

    

theta(1) = new_theta0;

theta(2) = new_theta1;

 

 

 

gradientDescentMulti.m

% 统一单变量和多变量线性回归，利用矩阵运算（各种补向量，乘法，转置等）

% 公式：new_theta = theta - (alpha / m) * ((X * theta - y)' * X(:,1));

 

% 在theta右边补一列-1，转换为n*2矩阵，目的是为了用矩阵运算代替theta - (alpha/m) * ((X * theta - y)' * X(:,1))

theta_mat = [theta ones(size(X, 2), 1) * (-1)];

 

% 计算theta_mat的行数，即theta参数的个数

theta_num = size(theta_mat, 1);

 

% 计算整个alpha/m整个这一块

s = (alpha / m) * ((X * theta - y)' * X)

 

% 在s上方补一行1

s = [ones(1, theta_num); s];

    

% 用theta_mat乘以s，再点乘单位矩阵，截取对角线的值即为每一个new theta值，求和是为了压缩为一维行向量

res = sum(theta_mat * s .* eye(theta_num));  

  

% 转置为列向量，同时更新所有theta

theta = res'

 

以上算法满足任意维度的线性回归，同时计算、更新了theta的所有维度，虽然稍显复杂（截取对角线前，有很多冗余运算，最终只取了一部分值） ，和网上其它资料相比可能不够简洁，但是我自己思考的结果，以此记录

  

PS：完整代码请见附件

 

欢迎交流，wx：vinceall，备注机器学习

• linear_regression.zip (44.4 KB)
• 下载次数: 1