机器学习视频第二章2

上接梯度降低算法

当觉得的系数变成了变量来求导，意外的结果是显然的。会化简公式方程为：θ0:=θ0 - α(1/m)Σ(h(x)-y);θ1:=θ1 - α(1/m)Σ(h(x)-y)*x.能够同时计算值了。h(x)=θ0 + θ1x.

批次梯度降低。有能够不须要迭代而直接求出θ1和θ0的算法。

当特征增多，不只是房子大小，还有卧室数量，房子年份等多个特征时，想利用这些特征变量来综合预测房子的价格。要描绘并可视化这些变量十分困难 。已经超三维了。我想了个主意，就是2^n个映射到2^(n-1)再映射到2^(n-2)等等。有点多呀。仍是上矩阵论吧。ax=b，多么简单，多么简洁。

线性代数知识：矩阵论：再来一遍。向邱老师致敬，一位会算两位数之内加加减减的神人。

42 X 23 = 4*3。 向量只有一列。Yi表明向量第i个元素。大写字母表示矩阵，小写字母表示向量或数字。矩阵相加，相应位置相加，维度相同。具体到矩阵内相应位置的元素计算。

求解Ax=y 。 h(x)=40+5x .其中40的系数能够看做1，x值是一个向量，[1,x]X[2*1] =h(x) 得出一个向量。多好，就这么算出来了，一个简单的假设。矩阵的思想，先乘再加。高效，机智。