随笔分类 -  000 —— 机器学习

摘要：主要内容： 一.K-means算法简介 二.算法过程 三.随机初始化 四.二分K-means 四.K的选择 一.K-means算法简介 1.K-means算法是一种无监督学习算法。所谓无监督式学习，就是输入样本中只有x，没有y，即只有特征，而没有标签，通过这些特征对数据进行整合等操作。而更细化一点地 阅读全文

摘要：主要内容： 一.损失函数 二.决策边界 三.Kernel 四.使用SVM （有关SVM数学解释：机器学习笔记（八）震惊！支持向量机（SVM）居然是这种机） 一.损失函数 二.决策边界 对于： 当C非常大时，括号括起来的部分就接近于0，所以就变成了： 非常有意思的是，在最小化 1/2*∑θj^2的时候 阅读全文

摘要：主要内容： 一.Evaluating a hypothesis 二.Model selection and training/validation/test sets 三.Bias and variance 四.Learning curves 五.Precision and recall 六.Hig 阅读全文

摘要：主要内容： 一.模型简介 二.一些变量所代表的含义 三.代价函数 四.Forward Propagation 五.Back Propagation 六.算法流程 待解决问题： 视频中通过指出：当特征变多时（或者非线性），利用logistic回归模型解决问题将导致计算量很大，即算法复杂度很高。然后就此 阅读全文

摘要：主要内容： 一.欠拟合和过拟合(over-fitting) 二.解决过拟合的两种方法 三.正则化线性回归 四.正则化logistic回归 五.正则化的原理 一.欠拟合和过拟合(over-fitting) 1.所谓欠拟合，就是曲线没能很好地拟合数据集，一般是由于所选的模型不适合或者说特征不够多所引起的 阅读全文

摘要：主要内容： 一.回归与分类 二.Logistic模型即sigmoid function 三.decision boundary 决策边界 四.cost function 代价函数 五.梯度下降 六.自带求解函数 七.多分类问题 一.回归与分类 回归：用于预测，输出值是连续型的。例如根据房子的大小预测 阅读全文

摘要：主要内容： 一.模型简介 二.Cost Function 三.梯度下降 四.线性回归之梯度下降法 五.线性回归之最小二乘法 六.Feature Scaling 一.模型简介： 线性回归主要用于预测：因变量与自变量存在线性关系的问题。例如coursera中介绍的买房问题：房子的价格由房子的大小以及房间 阅读全文