2.2.1 关于应用的问题

发表于 2021-05-13 更新于 2021-08-08 分类于 DM 评论：

本文字数： 580 阅读时长 ≈ 1 分钟

关于应用的问题

数据质量问题也可以从应用的角度来考虑，表达为“如果数据适合其预期用途，那么它就是高质量的“。高质量的数据需考虑以下几点:

有些数据收集后就开始老化。特别是，如果数据提供了一些正在发生的现象或过程的快照，如客户的购买行为或web浏览模式，那么这个快照只能代表有限时间内的情况。如果数据过时了，那么基于它的数据模型和模式也会过时。

发表于 2021-05-12 更新于 2021-08-08 分类于 ML 评论：

本文字数： 2k 阅读时长 ≈ 2 分钟

前面几节讨论了梯度下降算法和线性回归模型、线性假设，平方误差代价函数\(J\)。本节将梯度下降算法来最小化平方误差代价函数，线性回归学习算法。

发表于 2021-05-12 更新于 2021-08-08 分类于 ML 评论：

本文字数： 2k 阅读时长 ≈ 2 分钟

需要安装Octave或MATLAB

http://wiki.octave.org/GNU_Octave_Wiki

使用MATLAB Online

有关MATLAB在线访问或技术问题的帮助，请参见MATLAB帮助讨论论坛。将https://matlab.mathworks.com/添加为书签，以在将来更快地访问MATLAB Online。

发表于 2021-05-12 更新于 2021-08-08 分类于 ML 评论：

本文字数： 1.3k 阅读时长 ≈ 1 分钟

前面所学的线性回归是一元的，即只有一个特征量x，考虑到预测房价这个模型，现实情况下需要多个变量。用\[x_1,x_2,...,x_n\]表示，而m仍为训练样本的数量。

发表于 2021-05-12 更新于 2021-08-08 分类于 ML 评论：

本文字数： 543 阅读时长 ≈ 1 分钟

本节将讨论如何找到满足前面的假设函数的参数，即如何使用梯度下降法来解决多特征量的线性回归问题。

上节指出了假设函数\[h_\theta(x)\]可以由两个向量相乘表示，即\[h_\theta(x)=\theta^Tx\] ,其中向量\[\theta\]是由参数\[\theta_0,\theta_1,...,\theta_n\]组成

的n+1维向量，\[x\]是由\[x_0=1\] 和 n个特征量\[x_1,...,x_n\]组成的n+1维向量。

代价函数(Cost Function)是参数为\[\theta_0,\theta_1,...,\theta_n\]的函数 J，其给出了误差平方和。

使用梯度下降法后，\[\theta_j\]被更新成\[\theta_j\]减去学习率\[\alpha\]与对应导数（代价函数J对参数\[\theta_j\]的偏导数）的乘积。