Coursera-AndrewNg(吴恩达)机器学习笔记—

一.准备工作

从网站上将编程作业要求下载解压后，在Octave中使用cd命令将搜索目录移动到编程作业所在目录,然后使用ls命令检查是否移动正确。如：
提交作业：提交时候需要使用自己的登录邮箱和提交令牌，如下：

二.单变量线性回归

绘制图形：rx代表图形中标记的点为红色的x，数字10表示标记的大小。

plot(x, y, 'rx', 'MarkerSize', ); % Plot the data

计算代价函数（Cost Funtion）：迭代次数1500，学习速率0.01. 　　iterations = 1500;　　alpha = 0.01;

注意需给原始数据X添加一列值为1的属性：X = [ones(m, 1), data(:,1)];　　theta = zeros(2, 1);

function J = computeCost(X, y, theta)　　%文件名为computeCost.m

m = length(y); % number of training examples

J = /(*m)*sum((X*theta-y).^);

end

梯度下降（Gradient Descent ）：

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)　　%文件名为gradientDescent.m

m = length(y); % number of training examples

J_history = zeros(num_iters, );

for iter = :num_iters

    temp=X'*(X*theta-y);

    theta=theta-/m*alpha*temp;

    J_history(iter) = computeCost(X, y, theta);

end

end

然后绘制出我们使用经过梯度下降求出的最优参数θ值所做预测的图形，如下：

可视化J(θ):

使用表面图进行可视化：

theta0_vals = linspace(-, , );　　%生成范围在[-10,10]之间100个点的线性行矢量，即维数为1*100的矩阵

theta1_vals = linspace(-, , );　　%生成范围在[-1,4]之间100个点的线性行矢量，即维数为1*100的矩阵

J_vals = zeros(length(theta0_vals), length(theta1_vals));　　%对应的代价函数值，维数为100*100

% Fill out J_vals

for i = :length(theta0_vals)　　　　%计算代价函数值

    for j = :length(theta1_vals)

      t = [theta0_vals(i); theta1_vals(j)];

      J_vals(i,j) = computeCost(X, y, t);

    end

end

% Because of the way meshgrids work in the surf command, we need to transpose J_vals before calling surf, or else the axes will be flipped

J_vals = J_vals';　　　　%surface函数的特性，必须进行转置。其实就是因为θ0和θ1要和行列坐标x，y对齐。

% Surface plot

figure;

surf(theta0_vals, theta1_vals, J_vals)　　%绘制表面图

xlabel('\theta_0'); ylabel('\theta_1');

结果如下：从图中可看出代价函数值J(θ)有全局最优解（最低点）。

使用等高线图进行可视化：（logspace函数和linspace函数类似，此处作用生成将区间[10^-2,10³]等分20份的1*20矩阵）

figure;　　%这里的J_vals在前面进行了转置，所以此处不用转置！

contour(theta0_vals, theta1_vals, J_vals, logspace(-, , ))　　
xlabel('\theta_0'); ylabel('\theta_1');　　%用到了转义字符'\theta_0'和'\theta_1'.
hold on;
plot(theta(), theta(), 'rx', 'MarkerSize', , 'LineWidth', );

结果如下：可以看出我们求出的最优参数θ所对应的代价值，正好位于等高线图最低的位置！

三.多变量线性回归（选做）

特征规则化：

function [X_norm, mu, sigma] = featureNormalize(X)　　%文件名为featureNormalize.m

X_norm = X;

mu = zeros(, size(X, ));　　%记录每个特征x_i的平均值

sigma = zeros(, size(X, ));　　%记录每个特征x_i的标准差值

for i=:size(X,),

  mu(i)=mean(X(:,i));　　　　%使用公式mean求平均值

  sigma(i)=std(X(:,i));　　　%使用公式std求标准差值

  X_norm(:,i)=(X_norm(:,i)-mu(i))/sigma(i);

end
end

代价函数和梯度下降：和单变量相同（省略）

不同学习速率下，随着迭代次数的增加，代价函数值逐渐收敛图形：可以发现学习速率为0.01最为合适！

房价预测：Estimate the price of a 1650 sq-ft, 3 br house

% Estimate the price of a  sq-ft,  br house

% ====================== YOUR CODE HERE ======================

% Recall that the first column of X is all-ones. Thus, it does

% not need to be normalized.

x_try=[ ];

x_try()=x_try()-mu();

x_try()=x_try()-mu();

x_try()=x_try()/sigma();

x_try()=x_try()/sigma();

price = [ones(, ) x_try]*theta; % 这里的theta是我们前面经过梯度下降求出的

正规方程求参数theta:

function [theta] = normalEqn(X, y)

theta = zeros(size(X, ), );

theta=pinv(X'*X)*X'*y;

end

无~

巴特西

Coursera-AndrewNg(吴恩达)机器学习笔记——第二周编程作业

一.准备工作

二.单变量线性回归

三.多变量线性回归（选做）

最新文章

热门文章