一，單一特徵線性回歸二，多特徵線性回歸
當有很多因素來決定房價的時候，如圖
我們就需要更多的未知數和係數來表示結果，在這之前需要普及一些表示式的含義，如圖
n表示影響因素（特徵向量）的個數，m表示元組個數，上標（i）表示第i個元組，我們可以用矩陣來表示，下標j表示第j個因素（特徵向量）。
同單一特徵線性回歸一樣，我們可以據此寫出關係式：
當關係式從有限個數推廣到n個之後，就可以寫成：
為了方便我們假設x0=1，將特徵向量與係數分開，就可以寫成兩個（n+1）維的矩陣：
對向量內積熟悉的知道，
這裡θ的轉置矩陣與x特徵向量的內積就等於hθ（x），所以，我們就有了更加便利的表示形式：
這是我在學習ng的機器學習課程的基礎上，經過自己的一些思考，寫下學習筆記，重點是對於一些細節的思考和邏輯的理清。
以上很多都是個人的理解，如果有不對的地方，還請大家指教。
2 多變數線性回歸 特徵縮放
多變數線性回歸 房屋 其中有2個特徵 房子的大小，臥室的數量。import numpy as np import pandas as pd import matplotlib.pyplot as plt 資料檔案路徑 path data ex1data2.txt 讀取資料檔案 path 檔案路徑 h...
線性回歸模型 線性回歸模型
回歸的思想和分類有所不一樣，分類輸出的結果為離散的值，回歸輸出的是乙個連續型的值。線性回歸的思想就是試圖找到乙個多元的線性函式 當輸入一組特徵 也就是變數x 的時候，模型輸出乙個 值y h x 我們要求這個 值盡可能的準確，那麼怎麼樣才能做到盡可能準確呢？其中 表示實際值，表示 值 其中 表示實際值...
邏輯回歸處理非線性特徵，特徵離散化以及高維稀疏特徵
我們都知道邏輯回歸是個線性分類器，它的分類器形式為 f x 1 x1 2x2 nx nf x theta 1x 1 theta 2x 2 theta nx n f x 1 x1 2 x2 n xn 所說的線性是關於引數 theta 的線性，雖然它會經過乙個sigmoid函式的對映，加入對映之後，會演...