简介：稍微好一点 在上一节中，我们首先看了改善回归线的过程。 我们从一些数据开始，然后使用给定输入的形式简单的回归线$ \ hat {y} = mx + b $来预测输出。 最后，我们通过计算回归线预测的输出与实际值之间的差异来测量回归线的准确性。 我们通过对所有误差进行平方（以消除负值）并将这些平方相加来得出残差平方和（RSS），从而量化回归线的准确性。 有了描述直线精度（或拟合优度）的数字，我们通过调整y截距值$ b $或斜率值$ m $，然后比较这些RSS值，反复尝试新的回归线。 通过找

3D渐变下降 学习目标 了解同时更改y截距和斜率变量时梯度下降的工作原理 了解偏导数的含义 了解取偏导数的规则 介绍 在上一节中，我们讨论了如何考虑沿3-d成本曲线移动。 我们知道，沿着上面的3-d成本曲线移动，意味着更改回归线的$ m $和$ b $变量，如下所示。 我们这样做的目的是使我们的生产线更好地匹配我们的数据。 回顾二维的梯度下降 在本课程中，我们将学习三个维度的梯度下降，但让我们首先记住当仅更改回归线的一个变量时它如何在两个维度上起作用。 在二维中，当仅更改一个变量$ m $或

梯度下降步长实验室 介绍 在本实验中，我们将练习应用梯度下降。 众所周知，梯度下降从初始回归线开始，然后通过更改$ m $和$ b $的值并评估RSS移至“最佳拟合”回归线。 到目前为止，我们已经通过更改$ b $的值并评估RSS来说明此技术。 在本实验中，我们将通过更改$ m $的值来应用技术。 让我们开始吧。 设置我们的初始回归线 再一次，我们将看电影的收入来预测收入。 first_show = { 'budget' : 100 , 'revenue' : 275 } second_sho

直线导数 学习目标 了解导数是函数的瞬时变化率 了解如何计算直线的导数 介绍 在讨论梯度下降算法步长的课程中，我们填写了有关如何使用梯度下降找到“最佳拟合”回归线的更多信息。 即，我们学习了如何有效地改变回归线的y截距以最小化残差平方和。 我们通过将一个回归线参数-假设我们的y截距$ b $的变化的大小和方向校准为在该值$ b $处与成本曲线相切的直线的斜率来完成此操作。 切线是指在给定点“仅接触”曲线的线。 下面的曲线显示了具有$ b $不同值的回归线的RSS。 我们的橙色，绿色和红色线分