关关的学习记录

目录 前言 一、逻辑回归算法介绍 背景介绍： 逻辑回归算法： 二、算法假说表示 三、决策边界 四、逻辑回归算法的代价函数 四、简化、推导代价函数 五、逻辑回归与多类别分类 前言 在本节，我们开始讨论分类问题。 一、逻辑回归算法介绍 背景介绍： 在分类问题中，我们要预测的变量 ???? 是离散的。在分类问题中，我们尝试预测的是结果是否属于某一个类（例如正确或错误）。分类问题的例子有：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；之前我们也谈到了肿瘤分类问题的例子，区别

目录 前言 一、单变量线性回归问题 二、建模误差 三、代价函数 平方和误差函数: 平均平方和误差: 代价函数： 四、直观理解代价函数一 五、直观理解代价函数二 三维图像: 等高线图： 总结 前言 本栏目主要记录吴恩达老师的《机器学习》课程的学习笔记。本章学习代价函数相关知识。 一、单变量线性回归问题 首先先看一个例子，假设我们需要使用一个包含房屋尺寸与售卖价格数据集，来预测房屋的售价。我们首先要构建一个模型来预测，这里我们假设是最基础的线性情况，那么表示如下： .

前言 之前我们都在讨论梯度下降算法，但对于一些线性问题来说，正规方程是更好的解决方法。 一、正规方程 正规方程是通过求解下面的方程来找出使得代价函数最小的参数的： 假设我们的训练集特征矩阵为 ????（包含了 ????0 = 1）并且我们的训练集结果为向量 ????，则利用正规方程解出 向量 ???? = 推导过程分析： 前提我们要了解以下几个方程： 多变量线性回归问题的代价函数为： 其中对于单个样本的h(x)： 设有m个训练实例，每个实例有n个特征，则训练实例集为： 其中表示第

前言 目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，引出多变量线性回归问题。 一、多维特征 增添更多特征后，我们引入一系列新的注释： ???? 代表特征的数量 代表第 ???? 个训练实例，是特征矩阵中的第????行，是一个列向量（ vector）。 代表特征矩阵中第 ???? 行的第 ???? 个特征，也就是第 ???? 个训练实例的第 ???? 个特征。 支持多变量的假设 ℎ 表示为： ℎ????(????)

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 延续上文，本节将介绍梯度下降算法来计算代价函数的最小值。 一、梯度下降算法 想象一下你正站立在你想象的公园——这座红色山某一点上，在梯度下降算法中，我们要做的就是旋转 360 度，看看我们的周围，并问自己要在某个方向上，用小碎步尽快下山。这些小碎步需要朝什么方向？如果我们站在山坡上的这一点，你看一下周围..