分类
模型如下:
- 回归问题:学习的结果是连续的,比如房价等等
- 分类问题:学习的结果是非连续的,分成某几个类
梯度下降
例子:
:
条件:
- 对于输入X有n个特征值。X = { x1,x2,x3,x4,.......,xn x 1 , x 2 , x 3 , x 4 , . . . . . . . , x n }
- 一共有m组输入。 X1,X2,......,Xm X 1 , X 2 , . . . . . . , X m
结果:
- 根据给出的数据得到函数 hθ h θ (x),关于 θ θ 的一个函数
假设:
- J(θ) J ( θ ) 主要用来描述该方程在样本点的逼近程度
特点:
- 都具有局部最小值
- 最后的结果并不一定是总体的最小值
1.批梯度下降:
思路:
先初始化 θ θ = 0向量,然后通过学习,不断改变 θ θ 使