Octave 为什么我要为Andrew Ng'；什么课程不被接受？

Andrew Ng的Coursera课程是斯坦福大学的机器学习课程，其特点是编程作业涉及实现课堂上教授的算法。本作业的目标是通过梯度下降实现线性回归，输入集为

X、y、θ、alpha（学习率）和迭代次数

我用课程中规定的语言Octave实现了这个解决方案

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)

m = length(y); 
J_history = zeros(num_iters, 1);

numJ = size(theta, 1);

for iter = 1:num_iters

    for i = 1:m

        for j = 1:numJ

            temp = theta(j) - alpha /m *  X(i, j) * (((X * theta)(i, 1)) - y(i, 1));

            theta(j) = temp

        end

        prediction = X * theta;

J_history(iter, 1) = computeCost(X,y,theta) 

 end   

end



另一方面，这里是成本函数：

function J = computeCost(X, y, theta)

m = length(y); 

J = 0;

prediction = X * theta;

error = (prediction - y).^2;

J = 1/(2 * m) .* sum(error);

end

这不会通过
submit（）
函数。
submit（）
函数只是通过传递未知的测试用例来验证数据

我已经检查了有关StackOverflow的其他问题，但我真的不明白。：）

多谢各位
 您的计算成本代码是正确的
更好地遵循梯度下降的矢量化实现。
您只是在迭代，速度很慢，可能会出错

这门课程的目的是让你做矢量化的实现，因为它既简单又方便。
我知道这一点，因为我是在大汗淋漓之后才这么做的。
矢量化很好：）
您的梯度似乎是正确的，正如@Kasinath p给出的答案所指出的，问题可能是代码太慢。你只需要把它矢量化。在Matlab/Octave中，通常需要避免
for
循环（注意，虽然Matlab中有
parfor
，但它在Octave中还不可用）。因此，在性能方面，编写类似
A*x
的代码总是比使用
for
循环迭代
A
的每一行更好。您可以阅读有关矢量化的内容

如果我理解正确，
X
是一个大小为
m*numJ
的矩阵，其中
m
是示例数，
numJ
是特征数（或每个点所在空间的尺寸）。在这种情况下，您可以将成本函数重写为

(1/(2*m)) * (X*theta-y)'*(X*theta-y);%since ||v||_2^2=v'*v for any vector v in Euclidean space 

现在，我们从basic知道，对于任何两个向量
s
和
v
，它们是从
R^{num_J}
到
R^m
的函数，
s^{t}v
的雅可比数由

s^{t}Jacobian(v)+v^{t}*Jacobian(s) %this Jacobian will have size 1*num_J.

将其应用于成本函数，我们得到

jacobian=(1/m)*(theta'*X'-y')*X;

所以如果你只是更换

for i = 1:m
    for j = 1:numJ
        %%% theta(j) updates
    end
end

与

您应该看到性能有了很大的提高。
我没有投反对票，但我同意他们的观点。没有任何上下文，很难帮助您。我们不知道
提交的数据是什么（）
函数提供给它。如果你有一些玩具数据，代码会产生不满意/错误的结果，那么请提供或至少描述它。更重要的是，你的梯度是否正确？你没有说成本函数是什么。我们可能可以通过看梯度来猜测，但我个人不会花时间来解释这样做。另外，只是一件小事，你不需要
temp
变量，你可以做
你的θ-=δθ
。同样快速查看代码，用
θ（j）
而不是
θ（1，j）
或
θ（j，1）索引非单元向量形变量通常是个坏主意
。还有，你有没有尝试过使用步长？最后，我可能弄错了，但如果我是你，我不会用
m标准化梯度，这在这里似乎没有意义。先生@Ash你能给我反馈吗！我真的很感谢你对我更新问题的帮助：）哦。。。请不要叫我先生，我还没那么老呢！：）不过，@Ash，非常感谢！：）观察力好，+1。然而，我认为，如果你增加更多细节并消除杂乱（我不是指粗鲁的方式），比如“矢量化很好”，你可以大大提高你答案的质量。不过，这只是一个观察。
%note that the gradient is the transpose of the Jacobian we've computed 
theta-=alpha*(1/m)*X'*(X*theta-y)