第4課のまとめ

- 多変数の線形回帰 -
●データセット(住宅価格の例)のパラメータを4個に増やす。
 hθ(x) = θ0*x0 + θ1*x1 + θ2*x2 + θ3*x3 + θ4*x4
x0=1
単純に増えたパラメータを+でつないでいきます。

ml1

machine learning - Stanford university

●最急降下法を多変数に適用する
 θの更新の仕方は1変数のときと同じです。コスト関数を偏微分するところなど数学的な部分はスルーしてもかまわないということなので理解していません。
ml2

machine learning - Stanford university

●フィーチャースケーリング
  各パラメータのスケールをだいたい合わせることで収束しやすくなる。それぞれのパラメータについて平均値を引いてから標準偏差で割る。
ml3

machine learning - Stanford university

●学習率αの決め方

ml4

machine learning - Stanford university

●変数の決め方と多項式回帰
ml5

machine learning - Stanford university

●正規方程式
  繰り返しアルゴリズムを使わずに解析的に解く方法。こちらはデータ処理としては非常に楽ですね。式の意味はわかりませんが。
machine learning - Stanford university

machine learning - Stanford university

今回は確認試験がありました。前半は選択問題で割と簡単でしたが、後半のプログラミング課題はちょっと疲れました。Octave/Matlab上でsubmitして自動採点(?)してくれるようになっています。Octaveでのsubmitがうまく機能しなかったので期間限定のMatlabを使いました。慣れていないのでかなりの時間を要してしまいました。現時点で結構達成感はありますが、まだ全体の20%ぐらいです。最後までいけるでしょうか。
ml7