theta[0],theta[1],theta[2],theta[3]更新时后面有用到theta，也就是说与theta[0],theta[1],theta[2],theta[3]都有关，如果theta[0]改变了，那接下来theta[1]中更新用到的theta与更新theta[0]时的theta是不一样的，所有需要用temp存一下

应该是计算有差别

因为需要一个线性相关的矩阵？

我自己查到了哈哈...?

https://blog.csdn.net/like4501/article/details/79753346

theta定义时用了reshape(4, 1)，那最终的计算结果应该就是4*1的形式，不需要转置吧

dot(X, theta1)返回的是一个 200 * 1 矩阵，而 Y不是一个200 * 1的矩阵，所以需要对Y进行重新规划，
Y = Y.values.reshape(200, 1)就可以了

最小二乘法数学公式

点乘是向量乘法方式就是中间写个点

老师举得函数例子就是Y=2x

老师上传到Github上去了。

地址如下github：https://github.com/cibon/linear_regression 

这里的x[0]=1实际上是任意的，在代码运行的时候会有theta[0]*x[0]，如此得到才是最终的截距。

梯度下降的公式

数据文件在哪里下载？

就是要执行1000次

有基础python的

个人认为讲师说得有一点问题，不瞒秩或者不正定的时候，存在多个解，并不是没有解，即解不唯一。此时选择哪一个解作为最后模型的参数呢？

一是通过既定的选择便好来决定；

二是采用梯度下降来近似。

我觉得性能问题倒不是主要原因，主要原因是因为存在多个解（至于为什么你可以查查矩阵相关的资料）。

水什么水？

是老师本地的一个csv格式的文件，相当于一个excel文件，也就是老师第一次输出的那些值

好好休息吧

矩阵相乘 A*B     A是m*n  B必须为n*k  A的每一行乘以B的每一列（保证A的每行和B的每列元素个数相同）  线性代数了解一下

。。。

在'alpha=0.1   #学习速率' 之前 加上 temp=theta

IDE: Pycharm

Python Version:python2

损失函数的偏导就是一个导数，就是theta的斜率，调节学习率是为了斜率变化不大，这样多次迭代就能达到最低值

梯度下降就是对最小二乘法求偏导得到

你是reshape那里错了吧，应该变成 reshapr(4, 1)

不错哦,可以呢