1：假設函式的引數更新要做到同時更新，即先將求得的引數放在統一的temp中，然後同時賦值給對應的引數w0，w1,w2,w3.....
2：特徵縮放和收斂速度問題
倘若，特徵向量中一些特徵值相差太大，就會導致代價函式特徵引數的函式曲線很密集，以至於需要多次迭代才能達到最小值。
學習率：決定演算法收斂的速度，較大的學習率，收斂速度較快，但是可能超過區域性最小值，以至於代價函式不再收斂。
而較小的學習率，固然可以避免出現超過代價函式區域性最小值問題，但是由於學習率較小很可能要通過很多事迭代，才能收斂到代價函式的區域性的最小值。上面兩個弊端要衡量把握好。
吳恩達機器學習筆記 梯度下降演算法（3）
引言 上節介紹了特徵縮放，可以使梯度下降演算法效率更高，但是還沒有解決收斂問題，這節介紹的自動收斂測試就是解決收斂問題。為什麼要收斂測試？因為在梯度下降演算法中，值是一步一步逼近最佳的，而且j 和 的影象是u型，所以步幅就很重要，如果步幅過大可能會引起 值在最佳之間往返或者越來越遠的問題，所以要進行...
梯度下降 from 吳恩達的機器學習
梯度下降 用來求函式最小值的演算法，使用梯度下降演算法來求出代價函式的最小值。梯度下降思想是 開始時我們隨機選擇乙個引數的組合 計算代價函式，然後我們尋找下乙個能讓代價函式值下降最多的引數組合。我們持續這麼做直到到到乙個區域性最小值 local minimum 因為我們並沒有嘗試完所有的引數組合，所...
吳恩達機器學習004多元梯度下降
標籤 演算法 機器學習 目錄特徵和多項式回歸 正規方程 我們引入更加多的特徵來對房價進行進一步評估，同時也新增一些符號來幫助表示引數。n用來表示特徵 feature 量，x i 這是表示的就不是乙個值了，而是一組向量 同時用xj i 來表示向量裡的具體哪乙個引數 有了多個特徵之後假設函式就應該將所有...