Differences
This shows you the differences between two versions of the page.
Both sides previous revisionPrevious revisionNext revision | Previous revisionNext revisionBoth sides next revision | ||
data_mining:regression [2014/07/13 03:03] – [Learning rate $\alpha$] phreazer | data_mining:regression [2014/07/13 03:37] – [Normalengleichungen] phreazer | ||
---|---|---|---|
Line 104: | Line 104: | ||
$\theta_j := \theta_j - alpha \frac{\partial}{\partial\theta_j} J(\theta)$ | $\theta_j := \theta_j - alpha \frac{\partial}{\partial\theta_j} J(\theta)$ | ||
+ | |||
+ | |||
+ | ==== Normalengleichungen ==== | ||
+ | |||
+ | * Feature-/ | ||
+ | * Vector y (Dim: m) | ||
+ | |||
+ | $\theta = (X^TX)^{-1}X^Ty$ | ||
+ | |||
+ | * Feature scaling nicht notwendig. | ||
+ | |||
+ | Was wenn $X^TX$ singulär (nicht invertierbar)? | ||
+ | |||
+ | (pinv in Octave) | ||
+ | |||
+ | **Gründe für Singularität: | ||
+ | * Redundante Features (lineare Abhängigkeit) | ||
+ | * Zu viele Features (z.B. $m <= n$) | ||
+ | * Lösung: Features weglassen oder regularisieren | ||
+ | |||
+ | **Wann was benutzten? | ||
+ | |||
+ | * m training tupel, n features | ||
+ | * GD funktioniert bei großem n (> 1000) gut, Normalengleichung muss (n x n) Matrix invertieren, | ||
===== Gradient Descent Improvements ===== | ===== Gradient Descent Improvements ===== | ||
Line 122: | Line 146: | ||
* Alternativ: Konvergenz erklären, wenn Änderungen kleiner $\epsilon$. | * Alternativ: Konvergenz erklären, wenn Änderungen kleiner $\epsilon$. | ||
* Falls $J(\theta)$ ansteigt, überschreitet GD vermutlich Minimum, d.h. kleineres $\alpha$ verwenden. | * Falls $J(\theta)$ ansteigt, überschreitet GD vermutlich Minimum, d.h. kleineres $\alpha$ verwenden. | ||
- | * Wenn \alpha zu klein: Langsame Konvergenz | + | * Wenn $\alpha$ zu klein: Langsame Konvergenz |
- | * Wenn \alpha zu groß: $J(\theta)$ sinkt nicht bei jeder Iteration und konvergiert evtl. nicht. | + | * Wenn $\alpha$ zu groß: $J(\theta)$ sinkt nicht bei jeder Iteration und konvergiert evtl. nicht. |
- | * Schema: 0,001 -> 0,003 -> 0,01 -> 0,03 -> 0,1 --> ... | + | * Schema: 0,001 -> 0,003 -> 0,01 -> 0,03 -> 0,1 -> ... |
+ | |||
+ | |||
+ | ===== Polynomial regression ===== | ||
+ | $\theta_0 + \theta_1 x + \theta_2 x^2 + \theta_3 x^3$ | ||
+ | |||
+ | Durch entsprechende Features möglich: | ||
+ | $x_3 = (size)^3$ | ||
+ | |||
+ | Feature scaling wird dann wichtig (da groß und verschieden) | ||
+ | |||
+ | Oder Wurzelfkt.: | ||
+ | |||
+ | $\theta_0 + \theta_1 x + \theta_2 \sqrt{x}$ |