机器学习笔记（一）线性回归模型

（一）引入—梯度下降算法

1. 线性假设：

2. 方差代价函数：

 

3. 梯度下降：

 

4. : learning rate

（用来控制我们在梯度下降时迈出多大的步子，值较大，梯度下降就很迅速）

值过大易造成无法收敛到minimum（每一步迈更大）

值较小且适宜的情况下，步子越来越小直到收敛（导数项为零） 不再改变。

 

（注：每一次梯度下降，需完成多个的同步更新）

右侧计算后立即更新是不正确的，在计算时使用了新的，未实现同步。

（二）结合——线性回归模型

1.一元线性回归模型

 

分别对求偏导：

 

将导数项代回得梯度下降：

 

课堂注解：

2. 多元线性回归模型

（1） 多元线性回归假设函数形式：

（2）多元线性回归梯度下降算法表达式：

课程注解：

（三）Some Tips

1. 特征缩放：使梯度下降的速度更快，收敛所需的迭代次数更少。

假设我们有两个特征 ，在梯度下降的过程中，画出的参数等值线如下图。

由图中红线可以看出，当 值的scale（取值范围）相差很大时，梯度下降的的道路是曲折的，而当对数值进行处理后，梯度下降的过程变得很高效。所以我们在实际操作时，经常将特征的取值约束到-1到+1的范围内。（-1、+1两个数值并不重要，只是作为辅助作用将特征取值调整到合适范围）

有时我们需要将特征值“标准化”使其均值为0，其中是训练集中特征值的平均值，是该特征值的取值范围（最大值-最小值）

2. 是否收敛（观察图像及收敛测试）

 

（推荐通过左侧图像观察梯度下降算法是否正常工作，而不是依靠自动收敛测试。）

3. 关于学习率

左侧两种情况出现的原因可能是过大，然而如果过小，收敛将极其缓慢。

 

（通常会尝试一些值，如0.01、0.001，十倍取一个值，对于这些不同的值，绘制随迭代步数变化的曲线，选择使快速下降的值，实际中常取三倍来找合适的值）

 

在训练模型对数据进行拟合时，我们可以*选择使用什么特征，并且通过设计不同的特征，我们可以使用更复杂的函数去拟合数据，而不是只用一条直线去拟合。

（四）正规方程法

1. 正规方程法一步求出最小（不需要特征缩放）

将矩阵X、向量y带入如下公式，（X：将第i条训练数据特征值转置，作为设计矩阵X的第i行。y：把所有标签，如训练集中的所有房价数据，放在一起构成。）即可求出目标参数值。

 2. 正规方程法和梯度下降法优缺点比较

（n<10000选用正规方程法）

小结：我们可以看到，对于线性回归这个特定的模型，正规方程法能够成为一个比梯度下降法更快的替代算法，而在Logistics回归模型等一些其他更复杂的模型当中，正规方程法不适用。所以，我们应该掌握这两种方法，根据具体的算法、根据具体的问题，以及特征的数量，对这两种方法进行更好的应用。