回归问题之线性回归II

1、线性回归（linear regression）：

b、多元线性回归 multivariate linear regression：

形式如下：

令

则

因此：有

                                          

参数有：

那么，cost function（代价函数）为：

备注：

n:           number of features （特征的总数）

m:          number of training examples （训练集数据的例数）

：     ith training example （第i个训练数据）

：     feature j in ith training exmaple（第i个训练数据中的第j个特征）

要使得代价函数的计算结果最小，依然可以用之前提及的梯度下降算法求解参数：

Gradient descent：

repeat{    

 

}（simultaneously update for every j = 0, ... , n）

也就是

repeat{ 

     

}

微分项展开如下：

...

此时，梯度下降算法会稍微复杂一点，不过使用特征缩放的方法——（确保不同特征的取值都处在一个相近的范围），可以使得梯度下降法更快收敛： 

由于量冈的影响，特征可能朝着某一边倾斜，例如图1，此时梯度下降明显会比图2收敛慢，而去除量冈，使得特征值都范围都在一个相近的范围，例如[-1,1],[0,1]等等，当然该范围不应过小或者过大。因此，可以使用均值归一化来实现特征缩放：

（x - average）/（max - min）

接下来，看看学习速率，如何确定算法是否正常工作以及如何选择学习速率，用J值和迭代步数作图：

如果梯度下降算法正常工作，那么代价函数J(θ)的值会随着迭代步数的增大而变小（如图3所示），而当曲线慢慢趋于平缓的直线，则说明收敛！（因此可以用于判断算法是否正常工作以及迭代是否收敛）

如果如图4所示，则说明梯度下降算法没有正常工作，此时应该选择较小的学习速率。（没有正常工作如果不是代码问题，那么就可能是选择的学习速率太大，跨步太大而无法向中间的较小的J值靠拢，参考图1和图2理解）

此外，还有可能出现图5的情况，也是没有正常工作：

图5也是说明学习速率过大以至于总是会越过最小值，该情况也应该选择较小的学习速率。

图6说明了学习速率过小的话，收敛也会很慢，此时应该选择较大的学习速率。

除了使用梯度下降算法，还可以使用正规方程方法解决问题（一次性求解θ 的最优值）：

m examples：（），（）,... ,（）；n features

那么

  （m * （n+1）维矩阵）

   （n + 1 维向量）

故

     （称为：设计矩阵）

    （m 维向量）

    （n + 1 维向量）

则有：

——（X的转置乘以X）的逆 乘以 X的转置再乘以y即可得参数的最优解。

用octave软件实现：

使用梯度下降算法和正规方程方法的优缺比较：

假设有m个训练和n个特征

梯度下降

正规方程

需要选择学习速率

不需选择学习速率

归一化（很重要）

不需归一化

需要迭代

不用迭代

当n很大时，算法依然可以很好地工作

需要计算X的转置乘以X后的逆，当n很大时（例如n=10000），计算很慢