02-监督学习应用.梯度下降

Posted mjerry

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了02-监督学习应用.梯度下降相关的知识,希望对你有一定的参考价值。

约定符号:

m = 训练样本数

X = 输入变量(特征)

Y = 输出变量(目标变量)

(X,Y) = 表示一个样本

$left ( X^{(i)},Y^{(i)} ight )$ = 第i个样本(上标i不是指数)

 用线性表示则是:

$hleft ( X ight )=Theta _{0}+Theta _{1}X$

如果有2个特征则写成:

$hleft ( X ight )=Theta _{0}+Theta _{1}X_{1}+Theta _{2}X_{2}$

这里的X是一个输入特征

如果需要让假设h对$Theta$依赖,则写成

$h _{Theta}left ( X ight )=Theta _{0}+Theta _{1}X_{1}+Theta _{2}X_{2}$

 

以上是关于02-监督学习应用.梯度下降的主要内容,如果未能解决你的问题,请参考以下文章

02_有监督学习--简单线性回归模型(梯度下降法代码实现)

1.监督学习的应用与梯度下降

机器学习1 监督学习应用与梯度下降

机器学习-监督学习应用:梯度下降

斯坦福公开课-机器学习2.监督学习应用-梯度下降(吴恩达 Andrew Ng)

斯坦福公开课-机器学习2.监督学习应用-梯度下降(吴恩达 Andrew Ng)