Matlab矩阵乘法维度不匹配报错：线性回归预测问题求助

问题根源 #

错误发生在 r=(pn')*(best); 行，核心原因是矩阵维度不匹配：

• best 是梯度下降输出的参数向量，维度为 2x1（对应截距项θ₀和特征项θ₁）
• 你的代码中 pn 被错误构造成 3x1 向量，转置后为 1x3，无法与 2x1 的 best 进行矩阵乘法（第一个矩阵的列数3 ≠ 第二个矩阵的行数2）

同时你的归一化函数逻辑错误，会导致预测值偏差，需要一并修正。

具体解决方案 #

1. 修正归一化函数 #

当前归一化公式不符合标准min-max缩放逻辑，替换为正确实现：

function [x, maxs, mins] = normalize(x)
    mins = min(x);
    maxs = max(x);
    x = (x - mins) ./ (maxs - mins); % 标准min-max缩放至[0,1]区间
end

2. 修正预测代码的维度问题 #

你想要对两个输入值（7和7）进行预测，需构造符合模型输入要求的矩阵（每行对应一个样本，包含截距项1和归一化后的特征值）：

% 预测部分修正代码
p = [7; 7]; % 待预测的输入值（2x1向量）
pn = (p - mins) ./ (maxs - mins); % 使用训练数据的min/max进行归一化
pn = [ones(length(p), 1), pn]; % 添加截距项列，构造2x2的输入矩阵
r = pn * best; % 矩阵乘法得到2x1的预测结果（对应每个输入值的预测利润）

3. 额外优化建议 #

• 原代码中 yCalc1 = b1*x; 是无截距项的线性回归结果，若要与梯度下降的带截距模型对比，需修改为 yCalc1 = b0 + b1*x（通过 [ones(m,1),x]\y 求解包含截距的参数）
• 确保 cost 函数实现正确（标准均方误差公式：J(theta) = (1/(2*m)) * sum((xo*theta - y).^2)）

内容的提问来源于stack exchange，提问作者user14018621