一元线性回归梯度下降算法的Octave仿真

e = h-y;

J = e'*e/(2*m)

% =========================================================================

end

在Gradient Descent Algorithm中，我们应用赓续推导获得两个对此算法异常重要的公式，一个是J(θ)的求解公式，另一个是θ的求解公式：

2、梯度降低算法：

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters) 
%GRADIENTDESCENT Performs gradient descent to learn theta 
%   theta = GRADIENTDESENT(X, y, theta, alpha, num_iters) updates theta by 
%   taking num_iters gradient steps with learning rate alpha 
  
% Initialize some useful values 
m = length(y); % number of training examples 
J_history = zeros(num_iters, 1); 
  
for iter = 1:num_iters 
  
    % ====================== YOUR CODE HERE ====================== 
    % Instructions: Perform a single gradient step on the parameter vector 
    %               theta. 
    % 
    % Hint: While debugging, it can be useful to print out the values 
    %       of the cost function (computeCost) and gradient here. 
    % 
      
    h=X*theta; 
    e=h-y; 
    theta = theta-alpha*(X'*e)/m; 
  
    % ============================================================ 
  
    % Save the cost J in every iteration    
    J_history(iter) = computeCost(X, y, theta); 
  
end 
  
end

【编辑推荐】

人工智能和机械进修——这些风行词你Get到了吗？
机械进修衔目中的数据预处理与数据整顿之比较
一种基于机械进修的主动化鱼叉式收集垂纶思路
我是若何用机械进修技巧赞助HR省时光的
干货｜在机械进修中若何应对不均衡分类问题？

【义务编辑：武晓燕 TEL：（010）68476606】

2/2 首页上一页 1 2

　　推荐阅读

　　在PHP应用程序开发中不正当使用mail()函数引发的血案

四、为什么没有精确处理mail()函数的第5个参数会激发安然问题一、媒介在我们发掘PHP应用法度榜样马脚的过程中，我们向有名的Webmail办事供给商Roundcube提交了一个长途敕令履行马脚(CVE-2>>>详细阅读

本文标题：一元线性回归梯度下降算法的Octave仿真

地址：http://www.17bianji.com/lsqh/35047.html

1/2 1