Chinaunix首页 | 论坛 | 博客
  • 博客访问: 1445460
  • 博文数量: 209
  • 博客积分: 464
  • 博客等级: 下士
  • 技术积分: 3772
  • 用 户 组: 普通用户
  • 注册时间: 2011-01-24 18:25
个人简介

阿弥陀佛

文章分类

全部博文(209)

文章存档

2019年(3)

2018年(5)

2017年(6)

2016年(10)

2015年(9)

2014年(73)

2013年(90)

2012年(13)

分类: 云计算

2014-12-07 16:39:02

参考文献:http://pan.baidu.com/s/1k0VgU
对于ax+b这种情形,线性回归函数,例如最小二乘法是可以解决这些问题的,但是对于多维变量函数f(x,y)而言,就无法很好的解决了。

为了能够得到多维变量的回归函数,h(x)表示的是房屋的价格,根据输入的变量所产生的输出,我们采用如下方式组织各个影响因素。image
但是各个xn前面的参数是无法确定的,因此可以采用梯度下降的方法来确定Θn的值。
根据最小二乘法,得到误差函数J(Θ),目标是计算出各个θ,使得J(θ)最小。
image
下面就是计算梯度下降的方法:
1. 随机初始化θ
2. 迭代,如果新的θ能够获得使得J(θ)更小
3. 如果J(θ)能够继续减小,那么回到2,继续执行
image
下面介绍偏导J(θ)的方法:

根据样本值y和拟合函数hθ(x),以及xj,获得理想的拟合函数hθ(x).
当用户有m组数据的时候,求解各个θ的值。
方法如下;

 
阅读(17484) | 评论(0) | 转发(0) |
0

上一篇:LXC在Mesos中的应用

下一篇:K近邻算法

给主人留下些什么吧!~~