keepgoingYi的博客

from sklearn.linear_model import Perceptronimport numpy as npX_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 npimport matplotlib.pyplot as pltclass 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，..