多元線性回歸-梯度下降法

當(dāng)Y值得影響因素不是唯一的時(shí)候，采用多元線性回歸模型
h_θ(x) = θ_0 + θ_1x_1 + θ_2x_2 + ...... + θ_nx_n

線性回歸

Hypothesis ： h_θ(x) = θ^Tx = θ_0 + θ_1x_1 + θ_2x_2 + ...... + θ_nx_n
Parameters ： θ_0 , θ_1 , θ_2 , ...... ,θ_n
Cost function ：
\quad\quad\quad\quad\quad J(θ_0 , θ_1 , θ_2 , ...... ,θ_n) =\frac{1}{2m}\textstyle\sum_{i=1}^{m}（h_θ（x^i）-y^i）^2
Gradient descent:（梯度下降）
Repeat {
θ_j:= θ_j- α\frac{?}{?θ_j}J(θ_0 , θ_1 , θ_2 , ...... ,θ_n) (j=0 ，j=1)
}(simultaneously update for every )

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請(qǐng)結(jié)合常識(shí)與多方信息審慎甄別。
平臺(tái)聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點(diǎn)，簡(jiǎn)書(shū)系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)。

友情鏈接更多精彩內(nèi)容