摘要：局部线性加权回归假如数据分布在上面的曲线中，我们用一条直线肯定无法进行拟合。假如我们想知道坐标为x对应的值，那么我们就可以在两条红线中间进行线性拟合，就是假设两条竖直红线之间的部分数据是线性的。这就是局部线性回归。在传统的线性回归中，我们的最小化目标函数和输出是这样的：在局部线性回归中，我们的最小化目标函数和输出是这样的：注意，这里多了一个w，这个多加的参数非常有意思，当横轴上其他数据离我们要求的x的距离非常远的时候，w就接近于0.反之，w就接近于1.这样可以带来这种效果：里x越远的值，其分类错误越是被忽略（权值越小）。离x越近的值，其分类错误越被重视（权值越大）。这种算法每次预测一个值时，就 阅读全文

摘要：在machine learning的课程的第二讲中，才是真正的知识讲解。这节课主要讲了以下三个方面的东西：1.linear regression（线性回归） 2.Gradient descent（梯度下降）3.normal equations（正规方程）linear regression（线性回归） 什么是回归呢？简单的理解就是预测一个实数。线性回归就是要找到一个线性函数来拟合数据，然后根据这个线性函数来预测新的输入产生的值。我们可以看上面二维坐标中的线性方程，假如方程式是y = wx + b;那么在这个直线上的点都会使y等于0，不在直线上的点会使y大于或者等于0.大于0我们可以认为这个样本属 阅读全文