(资料图)
Liner Regression with Multiple Variable
用向量实现的代码，单变量和多变量可以共用
多变量线性回归相当于是单变量的扩展，主要还是按照模型假设、构造代价函数和研究代价函数的最小值这样的思路展开。
与单变量线性回归不同的是，多变量线性回归还可能涉及到特征缩放的问题，主要原因是存在着不同尺度的特征变量，为了使得梯度下降能够快速地收敛，需要将这些特征变量统一尺度（类似于归一化的思想）
相比于单变量线性回归，多变量线性回归在求解代价函数的特征方程时，除了可以使用梯度下降法，还可以使用正则方程。根据特征变量的多少，灵活地选择这两种方法。
线性回归模型
数学表达式
\[f_{\vec{w}, b}(\vec{x}) = w_1x_1+…+w_nx_n+b\]or
\[ f_{\mathbf{w},b}(\mathbf{x}) = \mathbf{w} \cdot \mathbf{x} + b \]\[\mathbf{X} = \begin{pmatrix} x^{(0)}_0 & x^{(0)}_1 & \cdots & x^{(0)}_{n-1} \\ x^{(1)}_0 & x^{(1)}_1 & \cdots & x^{(1)}_{n-1} \\ \cdots \\ x^{(m-1)}_0 & x^{(m-1)}_1 & \cdots & x^{(m-1)}_{n-1} \end{pmatrix}\]\[\mathbf{w} = \begin{pmatrix}w_0 \\ w_1 \\\cdots \\w_{n-1}\end{pmatrix}\]Feature scaling
当参数的差距在几个数量级时或参数导致模型溢出时，需要缩放特征，以提高梯度下降的速度
数学表达式
| Feature scaling | Mean normalization | Z-score normalization |
|---|---|---|
| \(x_{j, scaled} = \frac{x_j} {max},x_j \in [0,1]\) | \(x_{j} = \frac{x_j - \mu_j}{max - min},x_j \in [-1, 1]\) | \(x_j = \frac{x_j - \mu_j}{\sigma_j},x_j \in [-3,3]\) |
代码
def zscore_normalize_features(X): """ computes X, zcore normalized by column Args: X (ndarray): Shape (m,n) input data, m examples, n features Returns: X_norm (ndarray): Shape (m,n) input normalized by column mu (ndarray): Shape (n,) mean of each feature sigma (ndarray): Shape (n,) standard deviation of each feature """ # find the mean of each column/feature mu = np.mean(X, axis=0) # mu will have shape (n,) # find the standard deviation of each column/feature sigma = np.std(X, axis=0) # sigma will have shape (n,) # element-wise, subtract mu for that column from each example, divide by std for that column X_norm = (X - mu) / sigma return (X_norm, mu, sigma)Cost Function
数学表达式
\[J(w_1,…,w_n,b)\]Gradient Descent
数学表达式
\[\begin{align*} \text{repeat}&\text{ until convergence:} \; \lbrace \newline\;& w_j = w_j - \alpha \frac{\partial J(\mathbf{w},b)}{\partial w_j} & \text{for j = 0..n-1}\newline&b\ \ = b - \alpha \frac{\partial J(\mathbf{w},b)}{\partial b} \newline \rbrace\end{align*}\]Normal equation
仅适用于线性回归 && 求解时不迭代
关键词：