吴恩达机器学习第一讲：以房价为例进行建模

为例进行建模"/>

吴恩达机器学习第一讲：以房价为例进行建模

Housing price prediction

 

已知条件：给出了一组离散的(Size,Price)点

目标：通过这些已知的点去预测在未知Size时的Price

问题分析与归纳：由于预测的Price变化量较大，可以建立连续函数去最大化的拟合已知的离散点，所以这是一个监督学习下的回归问题。

 

 

输入x :size

输出y:Price

M: 样本点总数

模型表示：

根据离散点的分布情况我们建立线性函数h去拟合这些离散点

所以问题变成了怎么找到拟合情况下线性函数h,我们可以通过下面的图来形象的表示我们的问题

进一步的我们对我们假设的h线性函数进行分析

所以问题变成了怎么去选择

为了加深对这两个参数的理解，我们选取一些特殊点刻苦不同的参数线假设函数的曲线情况

通过观察我们发现决定了函数与纵轴的交点位置， 决定了函数斜率走向

 

 

 

要找出合适的 则需要对其附加额外的约束条件，我们发现我们的目标是 与 尽可能地接近，于是我们建立平方差函数来表示这种接近程度。

 也就是我们常说的代价函数

所以问题就进一步演化为：

还是和之前一样的思路，拿到一个函数，我们可以取一些特殊点来加深我们对这个代价函数的理解。

这里我们假设 时，观察代价函数 变化情况

 

如图所示，当代价函数只有一个参数时，是一个凸函数，当同时包含两个参数时代价函数如图所示： 

为了更好的描述 与 之间的关系，我们采用等高线来描述这一变化情况

如图所示，假设起点设为1（800，-0.1） 终点如图2（100，0.15）

我们要做的就是让起点1不断地向2靠近即可，我们发现1在向2不断靠近的时候 在不断的减小， 不断地增大。

即：1怎么向2靠近，应该迈多大的步伐。这里就要涉及到著名的梯度下降算法

为了体现算法的普适性，这里选用较为复杂的代价函数，如图所示

  

如图所示，当我们的起点不同，最后到达的终点不同，即不同的起点梯度下降算法会找到最优的局部最优解。

  还是一样根据之前的 与 之间的关系，我们设置不同的起点，观察梯度下降算法的变化情况。

如图所示，当起点在右边时， >0,但不断向凸点靠近时，偏导数（即如图斜率）不断减小，从而 不断的减小得到更新。反之，同理。

 

这里 a是学习率

 

主要是控制朝着正确方向走的步伐。a越大，步伐越大，反之，越小。太大容易越过凸点，太小走的太慢。