Math Coursera机器学习：梯度下降矢量化

我在理解如何在Coursera上提供的机器学习课程中对函数进行矢量化时遇到问题

在这一过程中，Andrew Ng解释说，这个假设可以被向量化为θ乘以x:< /p>的转置。

H(x) = theta' * X

我的第一个问题是当我在练习中实现这一点时。为什么纸上的矢量化是θ乘以x的转置，而在倍频程上是x乘以θ

theta'*X % leads to errors while multiplying

我的第二个问题跟在第一个问题后面

当我想对梯度下降函数的和进行矢量化时：

sum((h(x)-y)*x))

我真的不明白，一旦矢量化，你是如何做到这一点的：

X'*(h(x)-y)

---

任何人都能解释这一点吗？

这是一个品味问题。通常的惯例是使用矩阵向量乘法，即您喜欢的。通过变换所有内容，您可以从一种模式切换到另一种模式。也就是说，如果乘法

X*theta

有效，那么转置的公式是

theta.*X.

在

X*θ中，
X
的每一行都包含一个采样点的数据（核函数值）

在
theta.*X
约定中，包含采样点数据的是
X
的列

<> P>这总是依赖于上下文，定义为行和列向量，以及如何将它们放在更大的对象或操作中。
 < P>在StanSera ML MOOC的解释中，Andrew Ng，斯坦福，你也可以引用。他使用ththa作为n x 1的向量，但是在课程工作中，我们有一个1×N向量。所以θ实际上是θ的转置（θ’
为了回答这个问题，知道矩阵的大小很重要（X，θ，X，y…）。顺便说一句，你不应该使用
“
作为转置，请使用
”
谢谢你的回答。目前，我的X值是一个47x3矩阵，其中包含了以下可用的值：。第三列是y（47x1矩阵）。θ是[0；0；0]。在这种情况下，你知道为什么我们可以用这种方式将其矢量化吗