Machine learning 使用矢量化的梯度下降倍频程代码未正确更新代价函数

我已经使用矢量化实现了下面的梯度下降代码，但似乎代价函数没有正确地递减。相反，代价函数随着每次迭代而递增

假设θ为n+1向量，y为m向量，X为设计矩阵m*（n+1）

计算成本函数为：

function J = computeCost(X, y, theta)
m = length(y);
J = 0;
for i = 1:m,
   H = theta' * X(i,:)';
   E = H - y(i);
   SQE = E^2;
   J = (J + SQE);
   i = i+1;
end;
J = J / (2*m);

---

您可以进一步将其矢量化：

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)
    m = length(y); 
    J_history = zeros(num_iters, 1);

    for iter = 1:num_iters

       delta = (theta' * X'-y')*X;
       theta = theta - alpha/m*delta';
       J_history(iter) = computeCost(X, y, theta);

    end

end

---

您可以进一步将其矢量化：

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)
    m = length(y); 
    J_history = zeros(num_iters, 1);

    for iter = 1:num_iters

       delta = (theta' * X'-y')*X;
       theta = theta - alpha/m*delta';
       J_history(iter) = computeCost(X, y, theta);

    end

end

---

您可以按如下方式更好地将其矢量化

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)
  m = length(y);
  J_history = zeros(num_iters, 1);

  for iter = 1:num_iters

     theta=theta-(alpha/m)*((X*theta-y)'*X)';
     J_history(iter) = computeCost(X, y, theta);

  end;
end;

ComputeCost函数可以写成

function J = computeCost(X, y, theta)
  m = length(y); 

  J = 1/(2*m)*sum((X*theta-y)^2);

end;

---

您可以按如下方式更好地将其矢量化

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)
  m = length(y);
  J_history = zeros(num_iters, 1);

  for iter = 1:num_iters

     theta=theta-(alpha/m)*((X*theta-y)'*X)';
     J_history(iter) = computeCost(X, y, theta);

  end;
end;

ComputeCost函数可以写成

function J = computeCost(X, y, theta)
  m = length(y); 

  J = 1/(2*m)*sum((X*theta-y)^2);

end;

---

对于i=1:n，不应该

增量
i
吗？你也在循环中做这件事。（我已经做了很长时间的八度音阶了…）难道我不应该为I=1:n而
increment
I
吗？你也在循环中做这件事。（很长一段时间以来，我没有做任何八度…）请考虑更详细地解释你的答案，而不是仅仅提供代码来解决这个问题。请考虑更彻底地解释你的答案，而不是仅仅提供代码来解决这个问题。