第二周（多变量线性回归 +Matlab使用）-【机器学习-Coursera Machine Learning-吴恩达】

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/KevinBetterQ/article/details/79451560

目录：
    多变量线性回归（模型、梯度下降技巧）
    特征选择和多项式回归
    正规方程

    Matlab学习

1 多变量线性回归

1）模型

- 假设函数：

- 参数：全部的 theta
- 代价函数：和单变量回归一样

- 梯度下降：

2）梯度下降算法的实用技巧

    - 特征缩放（Feature Scaling）

    均值归一化

    u为该特征平均值；s为范围，也就是max-min

    - 学习率 alpha

    0.001，0.01，0.1……直到开始发散

    （alpha太小，收敛太慢；alpha太大可能会发散）

2 特征选择和多项式回归

特征是有很多选择的，利用一些多项式，可以实现非线性回归（特别注意特征缩放）

3 正规方程（Normal equation）

直接一次性利用公式求 参数theta

在某些线性回归中，用正规方程法求最多参数theta的最优值更好。

Octave：theta = pinv(x' * x) * x' *y

    - 辨析梯度下降和正规方程法

（在n达到一万左右时，考虑换成梯度下降法，其它时间用正规方程比较好）

    - 如果出现XTX不可逆怎么办？
    解：在Octave中实用pinv求逆矩阵，总可以给出一个值，即使不可逆
    从原因中找解决办法，造成不可逆的原因在于：
    （1）冗余的特征，2个特征关系非常密切

    （2）太多的特征值了（eg：m<=n）

4 Octave/Matlab学习：

1）基本操作：包含输入变量、矩阵
2）数据移动：装载数据文件、数据保存、矩阵简单操作
3）数据的计算：针对矩阵数据的个各种运算与方法
4）图数据：plot、
5）控制语句、函数
6）向量化