再次理解线性回归与梯度下降

首先，给出目标函数：

目的就是使得J（Θ）最小。

还知道，Θ是未知量，目的就是求什么样的Θ能使目标函数J（Θ）最小。下面有两种方法：

（1）直接通过解析式，解除出Θ。

原式对Θ求导数，找驻点。

这样能得出Θ得参数解析式：

若X^TX不可逆，这是数学上的解释，也可以解释为防止过拟合，所以增加了λ扰动。

这里还要补充两个知识点：

另外：Θ^TAΘ（A为可逆矩阵）对Θ求偏导，结果为2AΘ。

以上是Θ的解析式求解。

---

（2）梯度下降法

 

依然关注这个目标函数。

梯度下降的本质是：start with some Θ，keep change Θ to reduce J(Θ)。

那怎么change Θ来达到目的呢？

还看目标函数，为了mini J(Θ)，对Θ求偏导找驻点，但驻点不好找，找J（Θ）关于Θ下降最快的方向也行啊。

这就是那个方向，梯度方向。

然后有：

现在突然有个问题，为什么这么更新Θ能使J(Θ)最小呢？

待解决。