week2


1、多元线性回归模型

上周我们学习了单特征线性回归模型,但通常情况我们会有多个特征作为模型的输入

1、一些基本概念

 n: 特征的总数

x^{i}表示第 i 个样例

x_{j}: 为第 j 个特征

x_{j}^{i} :表示第 i 个样例中的第 j 个特征。

week2_第1张图片

 2、多个特征的线性回归模型被称为多元线性回归模型

2、向量化

numpy的dot函数通过计算机硬件实现向量化。使用向量化时,使用专门的硬件一次得到 w 和 x 的所有值,并行地将每对 w 和 x 相乘,然后一次性取出16个结果,使用专门的硬件高效地相加。常用于大型数据集上的运算。

week2_第2张图片week2_第3张图片week2_第4张图片week2_第5张图片

 3、向量化改善多元线性回归的梯度下降法

1、向量化前后:模型、代价函数、梯度下降的对比

week2_第6张图片

week2_第7张图片

 4、特征缩放

        能让梯度下降运行得更快。当一个特征的取值范围很大时,一个好的模型更有可能学会选择一个相对较小的参数值;同样,当特征值的取值范围很小时,它对应的参数会比较大

1、特征大小、参数大小以及梯度下降之间的关系

在 Features 图中,散点在水平轴的分布范围比在垂直轴的分布范围更大,这是因为 x1 的取值范围比 x2 更大。

在 Parameters 图中,水平轴的分布范围比在垂直轴的分布范围更小,这是因为 w1 的一个非常小的变化都会对估计价格和代价函数产生非常大的影响,而 w2 需要很大的变化才会很大程度地改变估计价格。运行梯度下降时,可能会来回弹跳很长一段时间,才能找到最终通往最低点地道路。

week2_第8张图片

 2、特征缩放实现

方法一:所有特征 / 其对应的最大值

week2_第9张图片

方法二:均值归一化:(所有特征 - 特征平均值)/ 特征的取值范围(即最大值减最小值)

week2_第10张图片

方法三:Z-score 归一化,所有特征减去特征平均值除以特征标准差

week2_第11张图片

 

、正规方程(线性回归中另一种求w、b的方法)

 使用一个高级线性代数库,无需迭代即可在一个目标中求解 w 和 b。正规方程方法一般不需要自己实现,通常在实现线性回归的机器学习库函数中实现。

缺点:只适用于线性回归,没有推广到其他学习算法;如果特征数量很多(大于10000),正规方程方法很慢。

你可能感兴趣的:(机器学习,人工智能)