线性回归梯度下降算法中：w·x用点积还是普通乘法？

公式里的𝑤⋅𝑥确实是点积运算，具体用哪段代码得看你的w和x的维度：

• 单特征单样本场景：
  w和x都是标量时，np.dot(w,x)和w * x结果完全一样，随便用哪个都行。

• 多特征单样本场景：
  必须用np.dot(w, x)。比如w = [1,2]、x = [3,4]，np.dot(w,x)会计算1*3 + 2*4 = 11，这才是公式里的点积结果；而w * x是逐元素相乘得到[3,8]，完全不符合需求。

• 多样本场景：
  如果x是(样本数, 特征数)的数组，w是(特征数,)的权重向量，想要一次性算出所有样本的w⋅x，得用np.dot(x, w)（注意顺序，点积后得到每个样本对应的标量值数组）；而w * x会做广播逐元素相乘，得到的是和x同形状的数组，不是我们要的预测前置值。

总的来说，除了单特征单样本的特殊情况，其他场景都得用np.dot()来实现点积；哪怕单特征场景，优先用np.dot()也能让代码更具扩展性，后续加特征不用改这段逻辑。

内容的提问来源于stack exchange，提问作者soccergirlylegends9