keepgoingYi的博客

from sklearn.linear_model import Perceptron import numpy as np X_train = np.array([[3, 3], [4, 3], [1, 1]]) y = np.array([1, 1, -1]) perceptron=Perceptron() perceptron.fit(X_train,y) print("w:",perceptron.coef_,"\n","b:",perceptron.intercept_,"\n","n_it.

import numpy as np import matplotlib.pyplot as plt class MyPerceptron: def __init__(self): self.w=None self.b=0 self.l_rate=1 def fit(self,X_train,y_train): #用样本点的特征数更新初始w，如x1=(3,3)T，有两个特征，则self.w=[0,0] se.

学习了感知机之后，所要做的课后习题。 作业2： 1.思考感知机模型假设空间是什么？模型复杂度体现在哪里？打卡进行文字说明。 2.已知训练数据集D，其正实例点是x1=(3,3)T,x2=(4,3)T，负实例点是x3=(1,1)T: (1) 用python 自编程实现感知机模型，对训练数据集进行分类，并对比误分类点选择次序不同对最终结果的影响。可采用函数式编程或面向对象的编程。 (2)试调用sklearn.linear_model 的Perceptron模块，对训练数据集进行分类，并对比不同学习率h对

线性回归的特点 是y，纵坐标的差的和的最小值 之前理解为点到线的距离最小了，这其实是正交回归 机器学习三要素 1.模型：确定假设空间 2.策略：损失函数 3.算法：求解损失函数的最小值，得出参数 所以对于线性回归 1.模型就是线性模型 2.策略一般运用极大似然估计 3.算法就是梯度下降法或者牛顿法 通过学习完高数概率论线性代数之后，基本上对这一章还是能很清楚理解的，核心问题在于公式结果的运算上，缺少一些知识： 1.矩阵分析：矩阵微分 2.凸函数的最优求解 3.信.

一、绪论 1 引言 机器学习是研究关于“学习算法”的学问 2 基本术语 数据集：记录的集合 记录：关于一个事件或对象的描述，称为示例或样本，也把一个示例称为一个特征向量 属性，特征：反映事件或对象在某方面的表现或性质的事项 属性值：属性上的取值；属性空间/样本空间/输入空间：属性张成的空间 假设：学得模型对应了关于数据的某种潜在的规律 hypothesis 若要预测的是离散值，这是分类问题 若要预测的是连续值，这是回归问题 根据训练问题是否拥有标志信息，可将学习任务分类：监督学习，..