我是靠谱客的博主 健壮导师，最近开发中收集的这篇文章主要介绍第一讲.Liner_Regression and Gradient_Descent(Rui Xia) 单变量线性回归及梯度下降，觉得挺不错的，现在分享给大家，希望可以做个参考。
概述
本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning中Andrew老师的讲解。（https://class.coursera.org/ml/class/index）
---------------------------------------------------------------------------------------------------------------------------------------------------------
前 言：
机器学习很重要的步骤和思想就是三步走：
1.Hypothesis--假设函数
寻找假设函数，如果一开始假设函数就找找错的话，后面的都是错误的，problem：假设函数找到了，关键是如何求出参数parameters
2.Learning--
学习（最重要的是：求 parameters参数的方法 还有 损失函数或者价值函数：cost function的计算）
学习的过程就是根据样本值找出最合适的参数，当然有时候只是局部最优解，监督学习：训练的时候是有样本的输出期望值得，而非监督学习则没有
problem：把样本的值（均是已知）全部带入后，cost function的表达是就是parameters 的函数了，用什么方法求出参数呢，已知的有：梯度下降，随机梯度下降，矩阵等等
3.Prediction--预测
利用梯度下降求出来parameters之后，我们就要用来预测可能值，也会把预测值再次用来调整 theta
本文会讲到：
(1)单变量线性回归
(2)cost function：评价线性回归是否拟合训练集的方法
(3)梯度下降：解决线性回归的方法之一
(4)python代码及结果演示
参考文献：http://www.stat.yale.edu/Courses/1997-98/101/linreg.htm
1.Linear_Regression
方法：线性回归属于监督学习（有预期期望值的是监督学习），因此方法和监督学习应该是一样的，先给定一个训练集，根据这个训练集学习出一个线性函数，然后测试这个函数训练的好不好（即此函数是否足够拟合训练集数据），挑选出最好的函数（cost function最小）即可；
注意：
(1)因为是线性回归，所以学习到的函数为线性函数，即直线函数；
(2)因为是单变量，因此只有一个x；
我们能够给出单变量线性回归的模型（即我们假设这个函数就是最终结果）：
-------h(x)为hypothesis；
从上面“方法”中，我们肯定有一个疑问，怎么样能够看出线性函数拟合的好不好呢？
我们需要使用到Cost Function（代价函数）或者是J（theta0，theta1），代价函数越小及图上所有的点到我们假设的直线模型h（x）距离平方和最小就好（最小二乘法），说明线性回归地越好（和训练集拟合地越好），当然最小就是0，即完全拟合；
| 举个实际的例子： 我们想要根据房子的大小，预测房子的价格，给定如下数据集：
南京年份和平均房价（这个是本人上网查的不准确，将就着看吧！） # X是年份 均要加上2000年 |
最后
以上就是健壮导师为你收集整理的第一讲.Liner_Regression and Gradient_Descent(Rui Xia) 单变量线性回归及梯度下降的全部内容，希望文章能够帮你解决第一讲.Liner_Regression and Gradient_Descent(Rui Xia) 单变量线性回归及梯度下降所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
![[Python]数据挖掘（1）、梯度下降求解逻辑回归——考核成绩分类ps：本博客内容根据唐宇迪的的机器学习经典算法 学习视频复制总结而来http://www.abcplus.com.cn/course/83/tasks逻辑回归](/uploads/reation/bcimg14.png)
发表评论 取消回复