梯度下降的迭代方法 - 线性回归

【问题标题】：Iterative Approach with Gradient Descent - Linear Regression梯度下降的迭代方法 - 线性回归
【发布时间】：2018-10-23 20:57:02
【问题描述】：

我有这个模型来给不同的学校打分：

并要求我描述解决问题的迭代方法。

用多个变量描述多项式回归是否是一个好方法？形式化我们有一个包含 m 个样本的数据集 D。我可以定义误差函数 J(theta) 并借助梯度下降算法找到使误差函数最小化的参数。

是否可以通过迭代方法来解决问题？

【问题讨论】：

【解决方案1】：

多项式回归被认为是多元线性回归的特例，因此可以拟合梯度下降。

梯度下降是一种迭代优化技术，因此如果使用梯度下降最小化成本函数，答案是肯定的。

【讨论】：

感谢您的帮助！还有一件事，这可能是更好地了解函数以初始化两个新功能 x4 和 x5 其中 x4 = x1*x2 和 x5 = x3^2 的好方法吗？这样我应该有相同数量的特征和参数。