machine-learning - 为什么假设要引入两个参数，即θ0和θ1

Question

我从 Andrew Ng 教授的 Coursera 课程中学习机器学习。讲师将假设定义为“输入”（在我的情况下为 x）的线性函数，如下所示：

h _θ (x) = θ ₀ + θ ₁ (x)

在监督学习中，我们有一些训练数据，并在此基础上尝试“推断”一个函数，该函数将输入紧密映射到相应的输出。为了推导函数，我们将假设作为输入 (x) 的线性函数引入。我的问题是，为什么选择涉及两个 θs 的函数？为什么它不能像y^{( i)} = a * x^{( i)}那样简单，系数在哪里a？稍后我们可以使用算法a为给定示例找到一个“好的”值？(i)这个问题可能看起来很愚蠢。我很抱歉，但我不太擅长机器学习，我只是一个初学者。请帮助我理解这一点。

谢谢！

Answer 1

a对应于θ ₁。您提出的线性模型省略了截距，即 θ ₀。

y考虑一个等于常数的输出函数5，或者可能等于一个常数加上x永远不会超过的一小部分.01。如果您的模型没有可以吸收直流分量的 θ _{0 ，则将误差函数驱动为零将很困难。}