码迷,mamicode.com
首页 > 其他好文 > 详细

机器学习入门——单变量线性回归

时间:2014-05-10 04:36:00      阅读:276      评论:0      收藏:0      [点我收藏+]

标签:机器学习   线性回归   machine learning   

线性回归的概念,在高中数学书里就出现过。

bubuko.com,布布扣给你一些样本点,如何找出一条直线,使得最逼近这些样本点。


给出一个例子:假设 x 是房子面积,y是房子价格,确定一条直线需要theta0和theta1.

给出x,我们就可以计算出房子的价格 h(x) = theta0+theta1*x

关键是如何计算出theta0和theta1,也就是如何找出这么一条直线呢?


在这里,引入一个概念,叫做cost function.m表示样本个数,也就是训练样本数目

bubuko.com,布布扣这是一个square error,学过统计的应该经常见到

因此,我们的目的i就变成如何最小化这个J,意味着这条直线最逼近我们的样本点



先简化一下问题,假设theta0 = 0,那么我们的目标就是最小化J(theta1)

bubuko.com,布布扣

假设目前有3个样本点(1,1)(2,2) (3,3)

J(0) = 1/(2*3)*((1-0)^2+(2-0)^2+(3-0)^2)

当theta1取不同的值时,J(theta1)就形成了一个二次函数,当theta1 = 1是极小值也是最小值。


问题回到2元函数theta0,theta1

容易想像,这肯定是一个平面函数了

bubuko.com,布布扣关键问题就是如何找到这个最低点

下面再举个例子直观的感受下,不再使用3维图了,而是使用如下右图。

bubuko.com,布布扣

左图的直线明显和样本点一点都不逼近,所以在右图中的红叉就离中间比较远

bubuko.com,布布扣

这里比上面稍微好点,于是红点离中心更近了

bubuko.com,布布扣

这是最优结果,落在了中间


还是那个问题,如何寻找我们的theta0和theta1呢?我们可以用梯度下降的方法。如图:

bubuko.com,布布扣

随机初始化theta0和theta1,一直往梯度下降的方向走,J就会越来越小。公式如下:

bubuko.com,布布扣

其中,alpha是我们的learning rate,不能太小,否则算法速度会很慢,也不能太大,否则很容易越过最小值导致不能收敛。

bubuko.com,布布扣



我们在前面有:

bubuko.com,布布扣

于是

bubuko.com,布布扣

因此,我们的算法变成

bubuko.com,布布扣


当你发现两次循环之间的theta0和theta1的差别很小很小就converge了,你可以设置一个阀值比如10e-6。



配套练习在http://download.csdn.net/detail/abcd1992719g/7306053

机器学习入门——单变量线性回归,布布扣,bubuko.com

机器学习入门——单变量线性回归

标签:机器学习   线性回归   machine learning   

原文地址:http://blog.csdn.net/abcd1992719g/article/details/25424061

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!