本文深入探讨了机器学习的两大核心领域——监督学习与非监督学习。详细解析了回归、分类算法在监督学习中的应用，以及聚类算法在非监督学习中的作用。强调了在模型构建中hypothesis function与Cost function的重要性，并介绍了梯度下降算法的基本原理及其在线性回归中的应用。
- 监督学习（已知正确答案，“标签”）：
回归：对输出值做连续的预测
分类：对输出值做离散分离的预测
2. 非监督学习（未知“正确答案”）
- 聚类算法
- 鸡尾酒算法
PS：先用Octave建立原型，算法可行后迁移到其他语言。
3.模型阐释及hypothesis function：
x,y 分别为输入和输出；h作为hypothesis function
4. Cost function：
5. 梯度下降：
算法过程：
注意事项：必须同时更新参数
梯度下降算法在线性回归中的应用：
扫一扫
3908
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
