Machine Learning - Week2 Linear Regression ex1

单变量和多变量从矩阵运算角度讲是一样的,直接看多变量线性回归练习题。

1. featureNormalize.m (原值减去平均值再除以标准差)

function [X_norm, mu, sigma] = featureNormalize(X)

X_norm = X;

mu = zeros(1, size(X, 2));

sigma = zeros(1, size(X, 2));

mu = mean(X, 1);

sigma = std(X, 1);

n = size(X, 2);

for j=1:n,

  X_norm(:, j) = (X(:, j) - mu(j)) / sigma(j);

endfor

end


2. computeCostMulti.m  (两种计算方法)

function J = computeCostMulti(X, y, theta)

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

J = 0;

% X size: m * (n+1), theta size: (n+1) * 1, => m * 1;

% Y size: m * 1

J = 1 / (2 * m) * (X * theta - y)' * (X * theta - y)

% p = X * theta;

% J = 1 / (2 * m) * sum((p - y) .^ 2)

end


3. gradientDescentMulti.m  (梯度下降,单变量多变量都一样)

function [theta, J_history] = gradientDescentMulti(X, y, theta, alpha, num_iters)

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

J_history = zeros(num_iters, 1);

for iter = 1:num_iters

    % p size: m * 1, X size: m * (n+1), theta size: (n+1) * 1

    p = X * theta;

    % theta size: (n+1) * 1, (p-y) size: m * 1, X size: m * (n+1)

    theta = theta - alpha / m * ((p - y)' * X)';

    % Save the cost J in every iteration

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

end

end


4. normalEqn.m  (正规方程计算,不需迭代梯度下降)

function [theta] = normalEqn(X, y)

theta = zeros(size(X, 2), 1);

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

end


5. ex1_multi.m

alpha = 0.1;

num_iters = 400;


% Estimate the price of a 1650 sq-ft, 3 br house 

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

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

% not need to be normalized.

input_x = [1650 3];

norm_x = (input_x - mu) ./ sigma;

norm_x = [1, norm_x];

price = norm_x * theta; % You should change this


% Estimate the price of a 1650 sq-ft, 3 br house

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

input_x = [1, 1650, 3];

price = input_x * theta; % You should change this


梯度下降和正规方程最后预测1650 se-ft 和3 br house 结果y是差不多的:

Theta computed from gradient descent:

340412.659574

109447.795586

-6578.353971

Predicted price of a 1650 sq-ft, 3 br house (using gradient descent):

$293081.464529

Program paused. Press enter to continue.

Solving with normal equations...

Theta computed from the normal equations:

89597.909542

139.210674

-8738.019112

Predicted price of a 1650 sq-ft, 3 br house (using normal equations):

$293081.464335

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,776评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,527评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,361评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,430评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,511评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,544评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,561评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,315评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,763评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,070评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,235评论 1 343
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,911评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,554评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,173评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,424评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,106评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,103评论 2 352

推荐阅读更多精彩内容