机器学习笔记（二）多元线性回归

Multiple Features （多特征量）

1、字符定义：

2、Multivariate Linear Regression （多元线性回归）：

3、代价函数：

4、梯度下降算法：

梯度下降技巧一——Feature Scaling （特征缩放）

1、定义：将每个特征量缩放到-1和1之间。（与之范围接近即可，如0~3，-2~0.5等）

2、作用：方便梯度下降时的收敛（轮廓图更接近圆）。

3、缩放方法：

（1）直接除以最大值。

（2）Mean Normalization（均值归一化）：减去平均值再除以range（即最大值-最小值）

梯度下降技巧二——Learning Rate （学习速率）

A：α=0.1                            B：α=0.01（α较小，收敛速度慢）   C：α=1（α太大，发散）

Polynomial Regression （多项式回归）

1、举例：不同次项可以转换为不同的特征值，如面积为特征值x1，面积²为特征值x2，面积³为特征值x3。将多项式回归问题转化为多元线性回归问题。

机器学习笔记（二）多元线性回归

原文：https://www.cnblogs.com/orangecyh/p/11621656.html