梯度下降算法中的偏导数项
Partial Derivative term in the Gradient Descent Algorithm
我正在学习 Coursera 的“机器学习 - Andrew Ng”课程。在名为“梯度下降”的课程中，我发现公式有点复杂。该定理由“偏导数”项组成。
这个问题让我理解了偏导数项的计算。因此，后来的术语计算为
1/m *
∑
(h
θ
(x) − y(i)
)²
我的问题是，“'Cost Function' 的 1/2m 在计算梯度下降定理中的偏导数？
x² 的微分是 2x。
同样，∑(h θ(x) − y(i) )²的微分是2 * ∑(h θ(x) − y(i) )。
因此，1/2m * ∑(h θ(x) − y(i) )²的微分是1/m * ∑(h θ(x) − y(i) ).
我正在学习 Coursera 的“机器学习 - Andrew Ng”课程。在名为“梯度下降”的课程中，我发现公式有点复杂。该定理由“偏导数”项组成。
这个问题让我理解了偏导数项的计算。因此，后来的术语计算为
1/m * ∑ (h θ (x) − y(i) )²
我的问题是，“'Cost Function' 的 1/2m 在计算梯度下降定理中的偏导数？
x² 的微分是 2x。
同样，∑(h θ(x) − y(i) )²的微分是2 * ∑(h θ(x) − y(i) )。
因此，1/2m * ∑(h θ(x) − y(i) )²的微分是1/m * ∑(h θ(x) − y(i) ).