《andrew ng 機器學習筆記》這一系列文章文章是我再**andrew ng的stanford公開課之後自己整理的一些筆記，除了整理出課件中的主要知識點，另外還有一些自己對課件內容的理解。同時也參考了很多優秀博文，希望大家共同討論，共同進步。
參考博文：
本節課程內容包括：
（1）linear regression (線性回歸)
（2）gradient descent（梯度下降）
（3）normal equations（正規方程組）（下篇博文分析正規方程組）
首先引入以下變數：（在今後的機器學習中都會使用到這些變數）
以上篇博文中提到的房屋面積和房價為例，對於監督學習而言，整個過程如下：training set代表訓練集（即我們收集到的很多資料），我們將這些資料交給乙個學習演算法，通過這個演算法，我們得到乙個h（假設函式
），這個假設函式可以接收新的房屋面積x作為輸入，然後輸出房屋**y。因此，h 是乙個從 x到 y 的函式對映。
我們現在要解決的問題是如何得到這個假設函式h，我們可以將h表達為：
其中，x是特徵變數（此處代表房屋面積）
。θ是學習演算法中的引數，都是實數，利用訓練集合去選擇或學習得到合適的引數值，是學習演算法的任務。因為這個例子中只含有乙個特徵/輸入變數，因此這樣的問題叫作單變數線性回歸問題。
如果還存在第二個特徵變數（例如臥室數量），我們可以將表示式寫為：
這個表示式可以簡化為：
實際上，有時候我們會有更複雜的函式，也許是非線性函式，但是由於線性方程是簡單的形式，我們將先從線性方程的例子入手。
至此，我們的目標變為如何求解θ，θ決定了我們得到的函式h相對於我們的訓練集的準確程度，我們要使得這個誤差最小。（這也就是最小化問題
）用代價函式來說明誤差，表示為：（我們要使j(θ)取得最小值）。
針對最小化問題，我們採用lms（最小均方演算法）
，即使得上述表示式取得最小值，這裡介紹兩種解決方法：梯度下降演算法和正規方程組。
用這張圖來解釋梯度下降演算法，想象你正處於圖中某一點，想要到達最低點，你的做法就是從這個點開始出發，環顧周圍，選擇下降幅度最大的方向，邁出一小步，到達乙個新的點，以此迴圈，來達到最低點。這就是梯度下降演算法
。當然如果你開始所處不同的位置，就有可能到達的最低點不同，（如下圖），這就叫做區域性最優。
我們可以看出，如果我們的步長太小，就會要邁很多步才能接近最小值，如果步長過大，就會有可能越過最小值。（實際上不會出現這種情況，下面會作解釋）
這裡我們以兩個引數為例：θ0
,θ1介紹梯度下降演算法。
演算法思路:首先將引數初始化，再不斷調整引數大小，通過調整使得代價函式可以取得最小值。（或許只是區域性最小，這取決於你的設定的引數初始值，不同的初始值可能會獲得不同的最小值）
具體做法如下：
1、首先將它們都初始化為0。實際上，它們到底是什麼其實並不重要，但通常的選擇是將它們初始化為0。
2、不斷調整引數大小。（下式中的α在這個例子中代表步長）
說明兩點問題：
（1）在梯度下降演算法中，我們需要同時更新θ0,θ
1 。（2）如果你的引數已經處於區域性最低點，那麼梯度下降法更新其實什麼都沒做（求導為0），它不會改變引數的值，這也正是你想要的，因為它使你的解始終保持在區域性最優點，這也解釋了為什麼
即使學習速率 α 保持不變時，梯度下降也可以收斂到區域性最低點
。同時，通過分析上式，我們可以知道，梯度下降一步後，新的導數會變小一點點。隨著梯度下降法的執行，你移動的幅度會自動變得越來越小，直到最終移動幅度非常小，你會發現已經收斂到區域性極小值。
在梯度下降法中，當我們接近區域性最低點時，梯度下降法會自動採取更小的幅度。這是因為當我們接近區域性最低點時（很顯然在區域性最低時導數等於零 ），導數值會自動變得越來越小，所以梯度下降將自動採取較小的幅度，這就是梯度下降的做法，所以實際上沒有必要再另外減小α。
實際上，用於線性回歸的代價函式總是呈現乙個弓形的樣子，即就是凸函式（如下圖）。所以，這個函式沒有任何區域性最優解，只有乙個全域性最優解
我們繼續推導：
因為有:
可以得到：
將這個式子運用到m個例項中，可得到：
在這個式子中，我們可以看出在梯度下降的每一步中我們都用到了所有的訓練樣本，實際上，這樣的梯度下降演算法叫做「批量梯度下降
」。當m特別大時，這種演算法很不適用。
這種情況，我們就需要採用另外一種演算法 ——
」隨機梯度下降（增量梯度下降）」
隨機梯度演算法如下：
與批量梯度下降相比，這個演算法開始學習僅僅需要檢視第乙個訓練樣本，並且利用第乙個訓練樣本進行更新，接著再用第二個樣本進行下一次更新，這樣我們調整引數的速度就會快了很多，因為我們不需要再調整前遍歷多有的訓練樣本。但是，隨機梯度下降演算法不會精確地收斂到全域性的最小值 ，但也是向著全域性最小值附近徘徊，通常這樣得到的引數值，能夠很接近全域性最小值，這就已經足夠了。
監督學習應用 梯度下降
andrew ng 機器學習筆記 這一系列文章文章是我再 andrew ng的stanford公開課之後自己整理的一些筆記，除了整理出課件中的主要知識點，另外還有一些自己對課件內容的理解。同時也參考了很多優秀博文，希望大家共同討論，共同進步。參考博文 本節課程內容包括 1 linear regres...
監督學習應用 梯度下降筆記
第1 2節主要就是講了線性回歸的東西。課程中用了兩種方法來解決引數求解的問題 1是梯度下降的方法 2是稱為隨機 增量 梯度下降的方法。首先我們來看下面這張圖 我們已知一些 x,y 點的分布。現在我假設有一已知的x，想求期望的y是多少。假設現在我能 用y h x 表示x和y的關係。那麼輸入x，輸出y就...
監督學習應用和梯度下降
主要內容 線形回歸 梯度下降 正規方程組 線形回歸 問題 房價 定義概念 m 訓練數量 x 輸入變數，或特徵 y 輸出變數，或目標變數 x,y 訓練樣本 xi,yi 第i個樣本 通常做法 訓練集 學習演算法 h 函式 表示 函式 h x a a1 x h x ha x a a1 x1 a2 x2 d...