摘要：
问题描述：m examples : (x(1),y(1)), (x(2),y(2)),..., (x(m),y(m)) and n features; 计算方法：θ = (XTX)-1XTy; 计算过程： (1) x(i) = [ x0(i) x1(i) ... xn(i) ] 为列矩阵； (2)d 阅读全文
摘要：
引言 上节介绍了特征缩放，可以使梯度下降算法效率更高，但是还没有解决收敛问题，这节介绍的自动收敛测试就是解决收敛问题。 为什么要收敛测试？ 因为在梯度下降算法中，θ值是一步一步逼近最佳的，而且J(θ)和θ的图像是u型，所以步幅就很重要，如果步幅过大可能会引起θ值在最佳之间往返或者越来越远的问题，所以 阅读全文
摘要：
引言 在梯度下降算法（1）中我们了解了梯度下降算法的执行过程，但是还存在很多问题，诸如代价函数收敛速度或者代价函数是否能够收敛等问题，这节我们主要解决收敛速度问题，其解决方案就是应用特征缩放（Feature Scaling）。 特征缩放的定义 特征缩放是用来标准化数据特征的范围。 为什么使用特征缩放 阅读全文
摘要：
在单变量线性回归问题中，主要有两个功能函数，分别为假设函数（Hypothesis）和代价函数（Cost Function）， 其中假设函数为线性函数，本文中设为hθ(x) = θ0 + θ1*x; 其代价函数为J（θ0，θ1） = 1 / ( 2 * m ) * Σ(h(x(i)) - y(i))2 阅读全文