aaa2222339

摘要： ①公式 此处用高斯核函数计算样本x和标记向量之间的相似度，公式： ②分情况讨论 ③图像 当变化时，假定已知一个标记向量，则在空间坐标系中，核函数的图像是这样变化的： ④作用 给定n个标记向量，通过核函数利用样本分别和这n个标记向量进行计算，可以生成如下n个特征变量 通过这些个特征变量并通过某个算法学 阅读全文

摘要： 1、代价函数（若不采用核函数） 其中： 这里的C是一个常数，是人为设定的，类似于λ，是一个正则化参数。 2、假设函数 3、决策边界 下面的黑线是SVM的一条决策边界，它能最大化直线与样本的最短距离，即margin很大，这样就能将正负样本以最大的间距分隔开来（因此SVM有被称为大间距分类器） 4、C 阅读全文

摘要： 1、定义 查准率(precision)：预测患有癌症且预测正确的人数 / 预测有多少人患有癌症 召回率（recall）：预测患有癌症且预测正确的人数 / 实际有多少人患有癌症 2、关系 他俩的关系如下： 3、F值 F值又称F1值，定义如下，若有P或者R=0时，则F=0，该算法较差。F值越高越好。 例 阅读全文

摘要： 假定假设函数为一个二次函数，只是参数未定： 每给定一个样本大小，就能训练出对应的假设函数，从而利用这个假设函数可以计算出Jtrain（仍然在之前拿来训练的那些样本里面），然后将训练好的假设函数用在全部的验证集上可以计算出Jcv（注意在计算准确率的时候就不必λ了）。 则代价与训练样本的个数之间的关系为 阅读全文

摘要： 两条曲线规律：测试集或验证集上的代价函数随所选的多项式的次数的变化曲线，训练集上的...曲线（递减的那条） 下图中，左边的红框代表遇到了高偏差问题，右边的红框代表高方差问题。 阅读全文

摘要： 1.数据分组 将原始数据分成训练集，验证集和测试集，它们的比例分别为：60%，20%，20%。 训练集（train set） —— 用于模型拟合的数据样本。验证集（development set）—— 是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。 在神 阅读全文

摘要： 1、前向计算 举例（原本没有+1项，这是人为加上去的）： 计算步骤： 先添加一个值为1的x0组成输入，θ1（大小是：对面神经元个数 * （此面神经元个数+1），即 3*4）的第i行拿出来与输入做点乘，sigmoid作用之后放到隐藏层第i个神经元里面(i=1,2,3)： 再添加一个值为1的x0组成隐藏 阅读全文

摘要： 1. clear：清除工作空间的所有变量 clear all：清除工作空间的所有变量，函数，和MEX文件 2. y = linspace(x1,x2,n) 生成 n 个点，起点是x1，终点是x2。 3. plot属性： LineWidth——指定线宽 MarkerEdgeColor——指定标识符的边 阅读全文

摘要： 正则化：通过在代价函数里面再加上一些项，使得最后训练出来的参数值较小，就能防止过拟合。下图中，方括号里面的左边一项是为了更好地拟合数据，右边是为了降低参数值（防止过拟合，即不要拟合得太近），通过λ来调节这两个关系，这里的λ是自己人为设定的。若正则化参数λ过大的话（比如10^10），那么θ1，θ2。。 阅读全文

摘要： 优化算法有：梯度下降算法，共轭梯度法（conjugate gradients），BFGS，L-BFGS 后面三种算法都是可以在内部自动选择学习率，不需要人为一直搞，而且收敛速度快。 阅读全文