在不使用矩阵的情况下用一个变量计算线性回归的成本函数

Question

我是 Matlab 和机器学习的新手，我尝试计算梯度下降的成本函数。

函数 computeCost 有 3 个参数：

X mx2 矩阵
y m维向量
theta：二维向量

我已经有了使用矩阵乘法的解决方案

function J = computeCost(X, y, theta)
  m = length(Y);
  h = X * theta;
  sError = (h - y) .^ 2;
  J = sum(sError) / (2 * m);
end

但是现在，我尝试在没有矩阵乘法的情况下做同样的事情

function J = computeCost(X, y, theta)
  m = length(Y);
  S = 0;
  for i = 1:m
    h = X(i, 1) + theta(2) * X(i, 2);
    S = S + ((h - y(i)) ^ 2);
  end
  J = (1/2*m) * S;
end

但是我没有得到相同的结果，而且 first 肯定是好的（我以前已经用过）。

Answer 1

您有两个轻微的（但基本的）错误 - 它们是非常简单的错误，但肯定可以忽略。

您忘记在假设中包含偏差项：
```
h = X(i,1)*theta(1) + X(i,2)*theta(2);
%//         ^^^^^^
```
请记住，线性回归的假设等于 theta^{T}*x。您没有包含所有 theta 项 - 仅包含第二项。
您上次通过 (2*m) 规范化的陈述略有偏差。您目前拥有的是：
```
J = (1/2*m) * S;
```
因为乘法和除法的运算规则相同，所以这和(1/2)*m是一样的，这不是你想要的。只需确保 (2*m) 周围有方括号，以确保其被评估为 S / (2*m):
```
J = (1/(2*m)) * S;
```
这将确保首先计算 2*m，然后计算其倒数乘以误差平方和。

解决这些问题后，您将获得与使用矩阵公式相同的结果。

顺便说一句，您的代码中有轻微的拼写错误。应该是m = length(y)，不是m = length(Y).

在不使用矩阵的情况下用一个变量计算线性回归的成本函数

Computing Cost function for Linear regression with one variable without using Matrix

matlab

machine-learning

matrix

gradient-descent