king_jie0210的专栏

一、逻辑回归 1.1 分类问题 判断一封电子邮件是否是垃圾邮件；判断一次金融交易是否是欺诈；判断肿瘤是恶性的还是良性的等属于分类问题。 Eg:预测病人的肿瘤是恶性（malignant）还是良性（benign）,用线性回归的方法拟合一条直线如图 当hθ大于等于0.5时，预测 y=1；当hθ小于0.5时，预测 y=0，这样的一个线性模型似乎能很好地完成分类任务。假使我们又观测到一个

一、引言 1.1 机器学习定义 提问： 1.2 监督学习 Eg1: 预测房价的例子：横轴表示房子的面积，单位是平方英尺，纵轴表示房价，单位是千美元。那基于这组数据，假如你有一个朋友，他有一套750平方英尺房子，现在他希望把房子卖掉，他想知道这房子能卖多少钱。 从图中可以看出直线拟合数据，预测这套房子可能卖$150, 000；二次函数来拟合数据，预测房子可能卖$2

1 多维特征（Multiple features） 假设房价与图中四个变量（特征）有关，此时的假设函数为：          更具一般性的，假设与n个变量有关 2 多变量梯度下降 下图分别为单变量梯度下降与多变量梯度下降算法： 3 梯度下降法实践1：特征收缩（Feature Scaling） 特征收缩是在处理多维变量（特征）时，确保这些变量具有相近的尺度。下图

1 Non-linear hypotheses 之前学的，无论是线性回归还是逻辑回归都有这样一个缺点，即：当特征太多时，计算的负荷会非常大。 eg： 之前我们已经看到过，使用非线性的多项式项，能够帮助我们建立更好的分类模型。假设我们有非常多的特征比如100个，我们希望用这100个特征来构建一个非线性的多项式模型，即便我们只采用两两特征的组合（x1x2+x1x3+x1x4+...+x2

1 代价函数 神经网络分类表述： 代价函数（cost function） 2 反向传播算法 得到了神经网络的代价函数后，接下来要做的就是找到参数Θ使J(Θ)取得最小值： 假设整个训练集只有一个训练样本(x,y)，反向传播算法： Forward propagation: Backpropagation(反向传播)： 之所以叫反向传播是因为我们是从输出层