吴恩达2022机器学习专项课程(一） 3.6 可视化样例

问题预览

1.本节课主要讲的是什么？
2.不同的w和b，如何影响线性回归和等高线图？
3.一般用哪种方式，可以找到最佳的w和b？

解读

1.课程内容

设置不同的w和b，观察模型拟合数据，成本函数J的等高线图，三维空间图。

2.不同的w和b，对应的线性回归和等高线图（可视化）

示例1：参数w≈-0.15，参数b≈-800。

w≈-0.15，b≈-800构建的线性回归，拟合数据的效果欠佳。

w，b坐标远离等高线图的中心圈，成本函数未最小化，误差大。

w，b在三维空间的坐标。

示例2：参数w约等于-0.15，参数b约等于-800。

w，b构建的线性回归，拟合数据的效果依旧欠佳。

w，b坐标接近但没有达到等高线图的中心圈，仍未最小化成本函数，有误差。
w，b在三维空间的坐标。
示例3：w，b坐标依旧没在等高线图的中心圈，未最小化成本函数，因此线性回归拟合数据的效果不好。

示例4：w≈0.13，b≈71，w，b在等高线图的坐标是中心圈，对应三维空间图的最低点，最小化了成本函数，因此拟合数据效果最好。

总结

了解不同的w，b，如何影响线性回归的直线以及成本函数J。

等高线图无法满足复杂的机器学习模型，一般需要梯度下降算法，自动计算最佳的w和b。