吴恩达机器学习笔记 —— 2 单变量线性回归

第一章讲述了基本的机器学习的概念以及分类,这里从单变量的线性回归入手,吴恩达讲解了机器学习中的几个重要因素,如模型、损失函数、优化方法等

更多内容参考 机器学习&深度学习

首先以房价预测入手:

房子的面积 每平米的房价
2104 460
1416 232
1534 315
852 178

其中:

  • m 为 样本的数量
  • x 是样本的特征
  • y 是预测的值
  • \((x,y)\) 就是一条样本数据
  • \(({ x }^{ (i) },{ y }^{ (i) })\) 是第i条样本

吴恩达机器学习笔记 —— 2 单变量线性回归_第1张图片

机器学习的过程就是通过上面的例子学习一个模型,当再次有数据x进来的时候,能给出对应的y值
吴恩达机器学习笔记 —— 2 单变量线性回归_第2张图片
代价函数就是真实的值与我们预测的值之间的偏差,由于偏差有可能正,有可能负,因此使用均方差来表示。
吴恩达机器学习笔记 —— 2 单变量线性回归_第3张图片
不同的参数对应的损失值是不一样的,最终机器学习的目的就是寻找这个损失之最低的方法。
吴恩达机器学习笔记 —— 2 单变量线性回归_第4张图片
吴恩达机器学习笔记 —— 2 单变量线性回归_第5张图片
吴恩达机器学习笔记 —— 2 单变量线性回归_第6张图片
在二维特征下,可以看成一个关于损失函数的等高线图。同一个线圈,损失函数的值是相同的。在越来越靠近中心点时,可以看到预测的直线越来越贴近样本值。证明在等高线最中心的位置(最低点),损失值是最小的。
吴恩达机器学习笔记 —— 2 单变量线性回归_第7张图片
梯度下降可能找到是一个局部最优解,而不是全局最优解。
吴恩达机器学习笔记 —— 2 单变量线性回归_第8张图片

  1. 参数随着每次迭代而改变
  2. α是学习率,可以控制每次步长的变化
  3. 每次改变的长度是基于偏导求解的
  4. 在修改参数时,应该统一计算修改的值,再统一进行调整

吴恩达机器学习笔记 —— 2 单变量线性回归_第9张图片
无论在最低点的哪一侧,公式都能保证θ是朝着最低点的位置在变化。
吴恩达机器学习笔记 —— 2 单变量线性回归_第10张图片
学习率的大小决定了能否快速找到最优解。
吴恩达机器学习笔记 —— 2 单变量线性回归_第11张图片
随机梯度下降在靠近最优解的时候,步长将会变得越来越小。
吴恩达机器学习笔记 —— 2 单变量线性回归_第12张图片
线性回归中,梯度下降是上面这样的。
吴恩达机器学习笔记 —— 2 单变量线性回归_第13张图片

针对优化的方法,有batch梯度下降、随机梯度下降、mini-batch梯度下降等等

batch梯度下降

吴恩达机器学习笔记 —— 2 单变量线性回归_第14张图片

随机梯度下降

吴恩达机器学习笔记 —— 2 单变量线性回归_第15张图片

mini-batch梯度下降

吴恩达机器学习笔记 —— 2 单变量线性回归_第16张图片

参考:https://blog.csdn.net/ymshan92/article/details/54790657

你可能感兴趣的:(吴恩达机器学习笔记 —— 2 单变量线性回归)