a3040218的博客

逻辑回归（Logistic Regression）是一种广泛应用于分类问题的统计学习方法，尽管名字中带有"回归"，但它实际上是一种用于的算法。逻辑回归通过使用逻辑函数（也称为 Sigmoid 函数）将线性回归的输出映射之间，从而预测某个事件发生的概率。在线性模型中的应用：其中，输出的阈值是0.5，当h(x)>=0.5,y=1；当h(x)<0.5,y=0。

m 代表训练集中样本的数量n 代表特征的数量x 代表特征/输入变量y 代表目标变量/输出变量(x,y)代表训练集中的样本代表第i个观察样本h 代表学习算法的解决方案或函数也称为假设(hypothesis)，代表预测的值。

选择合适的机器学习模型是机器学习项目成功的关键一步。这通常不是一个一蹴而就的过程，而是需要综合考虑多个因素，并进行实验和评估。

我们将学习器对样本的实际预测结果与样本的真实值之间的差异称为：误差（error）。误差定义：①在训练集上的误差称为训练误差（training error）或经验误差（empirical error）。②在测试集上的误差称为测试误差（test error）。③学习器在所有新样本上的误差称为泛化误差（generalization error）当学习器把训练集学得“太好”的时候，即把一些训练样本的自身特点当做了普遍特征；同时也有学习能力不足的情况，即训练集的基本特征都没有学习出来。

首先揭晓上一篇的问题答案假设您的电子邮件程序会观察收到的邮件是否被你标记为垃圾邮件。在这种Email客户端中，你点击“垃圾邮件”按钮，报告某些Email为垃圾邮件，不会影响别的邮件。基于被标记为垃圾的邮件，您的电子邮件程序能更好地学习如何过滤垃圾邮件。请问，在这个设定中，任务T是什么？1.将电子邮件分类为垃圾邮件或非垃圾邮件->T2.卡拿着你给邮件贴上垃圾邮件标签->E3.完成垃圾邮件/非正确分类的电子邮件数量->P由上一篇可以了解到，机器学习算法可以分为监督学习、无监督学习、强化学习等类别。

米切尔：对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么就称这个计算机程序在从经验E学习。假设您的电子邮件程序会观察收到的邮件是否被你标记为垃圾邮件。在这种客户端中，你点击“垃圾邮件”按钮，报告某些为垃圾邮件，不会影响别的邮件。基于被标记为垃圾的邮件，您的电子邮件程序能更好地学习如何过滤垃圾邮件。请问，在这个设定中，任务是什么？1.将电子邮件分类为垃圾邮件或非垃圾邮件2.卡拿着你给邮件贴上垃圾邮件标签3.完成垃圾邮件/非正确分类的电子邮件数量。