梯度下降Debugging：x轴为迭代次数，y轴是J(θ)。 如果J(θ)递增，那么很可能是α太大了。
自动收敛检测： 声明如果一次迭代减少的值小于某个阈值ε，那么确认函数已经足够收敛。当然，实际上很难确定ε值。
如果 α 足够小，那么每次迭代都应该是递减的。
总结:
如果 α 太小： 收敛速度缓慢。
如果 α 太大： 每次迭代递增，从而不能收敛。
[线性回归] Debugging
如果 α 足够小，那么每次迭代都应该是递减的。
总结:
如果 α 太小： 收敛速度缓慢。
如果 α 太大： 每次迭代递增，从而不能收敛。
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
推荐阅读更多精彩内容
- 未经允许，不得擅自改动和转载 我们的第一个学习算法是线性回归算法。在这段视频中，你会看到这个算法的概况，更重要的是...
- 之前浏览Coursera上机器学习方面的课程，Andrew Ng的《Machine Learning》课程评分一直...
