machine-learning - 梯度下降的迭代方法 - 线性回归
问题描述
它被要求描述一种迭代方法来解决问题。
用多个变量来描述多项式回归是否是一个好方法?形式化我们有一个包含 m 个样本的数据集 D。我可以定义误差函数 J(theta) 并在梯度下降算法的帮助下找到最小化误差函数的参数。
它可以是解决问题的迭代方法吗?
解决方案
多项式回归被认为是多元线性回归的特例,因此可以拟合梯度下降。
梯度下降是一种迭代优化技术,因此如果使用梯度下降最小化成本函数,答案是肯定的。
推荐阅读
- vue.js - 如何在方法中使用 Vuex 状态数据
- php - Apache 在启动库未加载时给出错误原因:即使文件存在,也找不到图像
- c# - NavigationView.Loaded 方法没有被调用
- documentum - 即使没有添加到restricted_folder_ids 中,是否可以向用户显示其他文件柜?
- google-cloud-dataflow - 未使用运行时参数的数据流模板
- php - yii2 Kartik 文件输入仅在刷新页面后工作
- html - 引导轮播图像并不总是显示;清除缓存后仅恢复图像
- sql - TSQL - 返回开始日期和结束日期之间每个月的记录,即使该月没有可用数据
- asp.net - 将 ASP.NET Web API 与 Twilio 一起使用,而不是 ASP.NET MVC 控制器
- javascript - 如何仅使用 JS 使文本可点击