機器學習-梯度下降算法-特徵縮放和學習速率選取

1. 特徵縮放 實際當我們在計算線性迴歸模型的時候，會發現特徵變量x，不同維度之間的取值範圍差異很大。這就造成了我們在使用梯度下降算法的時候，由於維度之間的差異使得Jθ的值收斂的很慢。 我們還是以房價預測爲例子，我們使用2個特徵。房子的尺寸（1~2000），房間的數量（1-5）。以這兩個參數爲橫縱座標，繪製代價函數的等高線圖能看出整個圖顯得很扁，假如紅色的軌跡即爲函數收斂的過程，會發現此時函數收斂

>>阅读原文<<