我在理解梯度下降时遇到了问题，例如，让我们采用一个具有 1 个特征的简单线性回归，其中在绘制回归线后计算误差 Ypred-Yact，然后为回归的每个斜率和截距计算成本函数线。现在这个成本函数是针对斜率和截距绘制的，以找到成本函数相对于斜率和截距的最小值。
为什么我们要绘制成本函数图然后找到最小值？
模型将计算不同斜率和截距的成本函数，所以我们不能在这里确定函数的最小值，而不是绘制图形然后找到梯度并更新斜率和截距
【问题讨论】：
标签： python data-science linear-regression gradient-descent
当您基于一个训练特征和一个目标特征制作模型时，您可以使用直接方程，例如 y=mx+c where，
m = (n(Σxy)-(Σx)(Σy))/(n(Σx^2)-(Σx)^2)
c = ((Σy)(Σx^2)-(Σx)(Σxy))/(n(Σx^2)-(Σx)^2)
但是当有多个特征要训练以获得目标值时，您的方程看起来像 y=m1x1+m2x2+m3x3+....+c ，这是一个 n 维方程。
在训练和目标特征之间找到线性关系的单个方程在这里不起作用。对于多个特征，我们需要一条 n 维线来拟合均方误差最小的位置，正如我们所说的找到成本函数的最小值。
然后，关于绘制成本函数图，您使用的库代码不会绘制成本函数。您只需要维护矩阵并迭代即可收敛。
为了更好地理解算法， click here click here
【讨论】：