colleges的博客

神经网络反向传播算法的简单应用

2、而神经网络则能够拟合非线性的假设函数，从而表示更复杂的模型。3、因此下面使用神经网络进行预测，只不过暂时使用的是**1、逻辑回归是线性分类器，无法拟合更加复杂的假设函数。**，直接进行前向传播过程，进行预测。训练好的神经网络的权重。

逻辑回归，带正则化项

逻辑回归，不带正则化项

文章目录1函数求导链式法则2反向传播基本思想3反向传播算法全览4反向传播算法理解过程4.1一个输入层+一个输出层（两层的神经网络）4.2多层神经网络4.3反向传播过程梳理5反向传播算法过程与第3节算法全览的联系6总结参考文章1函数求导链式法则链式法则①：对于y=g(x)y=g(x)y=g(x)和z=h(y)z=h(y)z=h(y)：Δx→Δy→Δz\Delta{x}\rightarrow\Delta{y}\rightarrow\Delta{z}Δx→Δy→Δzdzdx=dzdydydx\f

使用正规方程来求解线性回归问题1、接续前面两小节（1-线性回归之单变量线性回归基本原理的python实现_骑着蜗牛环游深度学习世界的博客-优快云博客和2-线性回归之多变量线性回归基本原理的python实现_骑着蜗牛环游深度学习世界的博客-优快云博客）2、正规方程的使用受限：​ ①特征数不能太多，通常来说当n小于10000 时还是可以接受的​ ②只适用于线性模型，不适合逻辑回归模型等其他模型3、正规方程的优点：​ ①无需进行特征缩放（即无需归一化）​ ②不需要迭代1正规方程原理简述

文章目录多变量线性回归基本原理的python实现1数据读取2特征及标签获取3参数及超参数设置4使用梯度下降进行拟合5拟合结果查看6不同学习率下的拟合情况参考文章多变量线性回归基本原理的python实现接续上一篇文章（https://blog.youkuaiyun.com/colleges/article/details/124765198）1数据读取读取多变量线性回归数据集，是一个有两个特征的数据集：# 多变量线性回归raw_data = pd.read_csv('ex1data2.txt', na

文章目录单变量线性回归基本原理的python实现1大环境准备2jupyter工作路径的更改3单变量线性回归2.1数据读取2.2特征构造2.3其他准备2.4线性回归主体2.4.1计算代价函数2.4.2梯度下降+拟合2.4.3实际调用并拟合线性回归参考文章单变量线性回归基本原理的python实现1、看了吴恩达机器学习课程关于线性回归的讲述，这个文章是对应该课程的线性回归练习2、代码是看了网上有人分享的线性回归的python版本实现，这篇文章是结合代码做了讲解1大环境准备先建立虚拟环境# 建立