m0_59385870的博客

目的是要概率接受，但是ex是个准确值，所以从理论上我们可以生成一个（0,1）的随机数，如果ex比(0,1)这个随机数要大，那么我们就接受。而我们如果找到了左边山峰的低点，以一定的概率接受了它（概率大小和温度以及当前的值的关键程度有关），会在跳转幅度减少之前，尽可能找到最优点。如果f(x0)>f(x1)，那就说明结果变差了，我们需要概率选择它，因此Δf=−(f(x0)−f(x1))是的，是随机移动，可能向左，也可能向右，但是请记住一个关键点：移动的幅度和当前的温度T有关。为什么我们要接受一个更加差的状态呢？

现在权重向量w和训练数据的向量x(1)二者的方向几乎相反，w和x(1)之间的夹角θ的范围是90◦<θ<270◦，内积为负。也就是说，判别函数fw(x(1))的分类结果为−1,而训练数据x(1)的标签y(1)是1，所以fw(x(1))≠y(1)分类失败。刚才x(1)与权重向量分居直线两侧，现在它们在同一侧了,即这次θ<90◦，所以内积为正，判别函数fw(x)的分类结果为1。考虑一下使这个目标函数最大化的参数θ(回归的时候处理的是误差，所以要最小化，而现在考虑的是联合概率，我们希望概率尽可能大，所以要最大化)

分类就是鉴别一个事务的类别,但是在此之前需要学习大量带标签的数据,告诉机器这个邮件是垃圾信息,这样的标签往往由人工标注,也可取巧的由用户数据里收集,比如验证码中的橘子,亦或是读取用户的黑名单,举报的邮件等等,当学习到一定的准确度时,就可以脱离标签对一个无标签的事物进行分类.只有两个类别的问题称为二分类，有三个及以上的问题称为多分类，比如数字的识别就属于多分类问题。首先我们将训练数据中的广告费x1,x2,…代入fθ(x)，把得到的点击量fθ(x)与训练数据中的点击量y相比较，然后找出使二者的差最小的θ。

一个数组可以称作染色体(chromosomes),数组的每一个数是染色体上的基因(gene)初代的染色体可以随机生成,但需要大量且有个体差异的染色体才可以构成一个种群(population),个体数量足够多的时候,才会有一定几率出现我们想要的基因我们对个体的考察指标,反映在个体身上称为适应度(fitness)自然选择:不断淘汰掉无法适应环境的个体,从而让好的基因重复进入竞争的循环。

𝜀是一个介于0和1之间的参数，用于控制探索和利用的比例。当𝜀较大时，智能体更倾向于探索；当𝜀较小时，智能体更倾向于利用已知信息。