吴恩达机器学习课程02——模型描述与代价函数

最新推荐文章于 2024-02-04 21:52:27 发布
最新推荐文章于 2024-02-04 21:52:27 发布
阅读量341 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 吴恩达机器学习课程 文章标签： 机器学习 人工智能 吴恩达
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_41076797/article/details/109119434
该博客介绍了吴恩达机器学习课程中关于模型描述和代价函数的概念。模型描述包括训练集、学习算法和假设函数，解释了如何通过训练数据得到预测模型。代价函数用于衡量模型预测值与真实值之间的差距，目标是最小化代价。文章以单变量线性回归为例，讨论了代价函数的计算，包括平方项和求和操作，以及平均代价的含义。此外，还通过实例和等高线图展示了不同参数下代价函数的变化。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

模型描述

在这里插入图片描述

  • Training Set：首先提供数据集
  • Learning Algorithm：学习算法
  • h(hypothesis)：假设函数
  • x：输入特征
  • y：输出目标

通俗一点讲，就是提供给我训练数据集（Training Set） 并采用某学习算法（Learning Algorithm） 进行训练得到我的假设函数（h），然后对于测试集的每一条样本数据特征（x） 经过我的假设函数，我就可以给你输出我对目标的预测值（y）。

代价函数

了解本专栏 订阅专栏 解锁全文 超级会员免费看
吴恩达机器学习课程08——应用机器学习的建议
lyy的博客
10-29 298
目录评估假设模型选择诊断偏差与方差如果不妥，还请指正~ 评估假设 吴恩达老师主要讲了如何评估自己模型的效果。由于可能存在特征较多的情况，这样就不方便绘图查看预测与训练数据的关系（是否出现欠拟合或过拟合）。所以吴恩达老师讲了通过代价函数来进行判断。 方法就是首先给出训练数据，然后通常是以7:3的比例来划分训练和测试数据的。 用在线性回归上： 用在Logistic回归上： logistic回归也是使用了代价函数，然后还可以使用一种01分类错误度量的方法来衡量，大家看图就可以清楚的理解。 模型选择
吴恩达机器学习课程05——Logistic回归
lyy的博客
10-25 288
目录分类假设模型代价函数多分类总结感谢大家的支持，如有不妥之处，还请不吝指正~ 分类 需要注意的是，虽然它叫做Logistic回归，但是其实这是一个分类算法。我们首先以二分类来引入这个算法。下面是吴恩达老师在课程中提到的一个例子。 既然是分类，我们就要有分类标准。如上图所示，我们对训练数据使用我们学过的线性回归（用回归算法来做分类任务），那么就会得到上图的拟合直线，由直线可得，我们的标准就是0.5，y>=0.5就预测为1类，否则就预测为0类。从图中所给的数据来看，这么分是很合理的。这是否表示用回
吴恩达机器学习之单变量线性回归（一）：单变量线性回归模型表示、代价函数、代价函数的直观理解（附手写笔记）
汪雯琦的博客
03-01 1658
吴恩达机器学习栏目清单 文章目录单变量线性回归(Linear Regression with One Variable)2.1 模型表示2.2 代价函数2.3 代价函数的直观理解I2.4 代价函数的直观理解II 单变量线性回归(Linear Regression with One Variable) 2.1 模型表示 我们的第一个学习算法是线性回归算法。在这段视频中，你会看到这个算法的概况，更重...
【机器学习课程笔记（吴恩达）】2.1 模型描述
ELVA001122的博客
09-19 178
1. 介绍线性回归 　　举例：房价预测，给出一系列数据集（x,y），x表示房间的面积大小，y表示房屋的出售价格，由于价格是连续的数值，所以这是一个回归问题（如果是离散的数值则是分类问题）。 　　引申：监督学习的过程，如下图所示，我们向学习算法提供训练集（例如例子中的房价数据），学习算法的任务是输出一个假设函数h， h将x作为输入（如房子的面积），输出相应的预测值y（如房屋的价格）。...
吴恩达机器学习（三）模型描述
weixin_43889476的博客
05-27 380
单变量线性回归 给定一组数据点输入 {x(1) , . . . , x(m) } 和 其对应的输出 {v(1) , . . . , y(m) }，我们想要建立一个算法，学习如何从 x 预测 y 。 举例如下：有一个数据集（dataset），给出 房屋面积 和 房价 的关系： 以 面积 为横坐标，房价为 纵坐标 组成数据点，得到下图： 建立如下模型： 根据以上模型来描述监督学习问题： 给定一个训练集（training set），我们需要学习（learn）出一个函数 h : x → y ，使得
吴恩达机器学习6：模型描述
aikunjiao3421的博客
01-21 193
一、简介：案例仍然是房价预测的例子，监督学习：每个例子都有一个“正确的”答案 　　1.m表示训练样本的个数 　　2.(x,y)表示一个训练样本 　　3.x(i)，y(i)，这里i这个上标，不是幂指数，而是训练集的一个索引，指的是表格中的第i行 　　4.监督学习算法的工作流程：(1)首先向算法中提供训练集；(2)学习算法输出一个h函数，h代表假设函数(hypothesis)，假设...
吴恩达机器学习（四）模型描述
hosheaw的博客
08-03 549
1.监督学习中的函数模型 波特兰市房价，数据集有准确的size和price关系标签，适合作为监督学习。 这还是一个回归问题，因为要获得的结果是准确的连续数值。 分类问题做的是离散值的预测分析，比如0或1。 训练集符号说明 假设函数&&线性回归方程 hypothesis 假设 Linear regression with one variable 即一元线性方程 ...
机器学习吴恩达2022课程笔记——高级学习篇
最新发布
weixin_62701031的博客
02-04 1124
由于在B个样本的训练集可能会在根节点和根节点附近的一些节点选择相同特征，故采用在每个节点上，当选择一个特征用于分割时，如果有n个特征可用，则选择k
吴恩达机器学习课程06——正则化
lyy的博客
10-28 255
目录过拟合问题 过拟合问题 拟合和过拟合问题，其实很好理解。用专业的话来讲其实就是模型对于训练数据的训练力度过大，导致其泛化性能差，所谓泛化性能差，其实就是只会对于训练数据给出的数据进行预测，对于新的数据，成功率极低，性能很差。 说得通俗一点，就好比我的模型是一个模具，代表好模型的模具可能与你要烙的饼的形状并不完全一样，但是可以烙很多种形状（泛化性能好），但是代表差的模型的模具可能与你要烙的饼分毫不差（可以精准预测训练数据），但是根本烙不了其他的饼（没办法泛化，还要你干嘛）。 左侧的图有些欠拟合，中间的
单变量线性回归
weixin_30394251的博客
01-07 148
一、模型描述 符号表示： （i）表示第i个样本，在矩阵中可以表示为第几行第几列 h（hypothesis）——假设函数 二、代价函数（cost function） 线性回归的目标函数 拟合函数（fit data）——确定函数的参数θ0，θ1 减少（最小化）假设的输出值（预测值）和真实值之间差的平方和 因此定义代价函数： 平方误差函数（回...
回归函数和代价函数
ordinary_brony的博客
08-16 2917
这里将会从一个简单的例子引入话题。例子是一个自变量和一个因变量构成的一元一次函数。因为同时兼顾了有趣和浅显，例子也是相当的乱来。能看懂就好，不要介意这些细节啦。
约束下的最优求解：拉格朗日乘数法和KKT条件
热门推荐
yujianmin1990的专栏
09-16 3万+
机器学习面对各种各样的求解极值或者最值问题 ，现在对常见的求解极值或者最值问题思路做一下理论上的梳理。最值问题简单了解最值问题　　求最值是非常常见的问题，比如如何选择交通路线，最快地到达某地；如何用手头的钱买到分量最重的水果等等。 　　我们可以把需求定义为一个目标函数：f(x)f(x) 　　最值问题也就可以表示为min[f(x)]min [ f(x) ] 　　对于一个函数求解最值问题，我们要先
【吴恩达机器学习笔记详解】第二章 线性回归的过程
weixin_43872169的博客
04-12 2212
2.1 模型描述 本章将以线性回归为例子，介绍整个算法的过程，以及算法中过程涉及的计算参数等。 这是一个线性回归的例子，当你想要预测一个未知的房价时，要根据给出的所有数据，去寻找一条线来拟合已给的数据，再通过这条线去预测未知的房价。 这里描述的是对数据集的介绍，对于监督学习来说，会给定一些数据集如上图所示，其中 m代表的是数据的数量，这图中也就是多少列。 x代表输入变量，也就是数据集的特征，图中是指房子的大小 y代表输出变量，也就是我们想要的变量，图中指的是房子的价格 （x，y）指的是一个训练样本 带上
吴恩达机器学习课程10——支持向量机（1）
lyy的博客
11-02 890
目录优化目标大间距分类器大间隔分类的数学原理 优化目标 SVM（支持向量机）和logistic回归是有一定的联系的。首先，我们回顾一下logistic的相关内容： 这张图片展示的是logistic回归的相关思想，在sigmoid函数中，θ的转置·x（用字母z表示） 是自变量，输入到sigmoid函数中，根据函数图像，我们可以得到随着z的无限增大，sigmoid函数无限接近1，随着z的无限减小，sigmoid函数无限接近于0。这都是我们之前已经得到的相关结论。 然后我们再回顾一下logistic回归的代价
吴恩达机器学习课程14——异常检测
lyy的博客
11-07 667
目录异常检测高斯分布（即正态分布）基础参数估计异常检测算法评估异常检测算法异常检测VS监督学习特征的选择与处理特征处理特征选择 异常检测 所谓异常检测，其实就是先训练无标签的数据，认为它们都是正常的数据，然后对于给定测试集或验证集的数据，来判断它们都否正常。 是否正常是通过设置一个阈值来判断的，超过阈值就是异常，反之就是正常。 异常检测有很多应用，包括用户行为检测、机器运转检测等等，都可以应用异常检测的技术。 高斯分布（即正态分布） 基础 高斯分布又叫正态分布，这个咱们应该都挺熟悉的，高中也学过类似
吴恩达机器学习课程13——降维
lyy的博客
11-05 424
目录降维与数据压缩 降维与数据压缩 降维可以使数据规模减小，从而起到节约空间、加快算法执行等作用。数据压缩这个词我们还比较好理解，那降维是怎么一回事呢？它们两个是怎么扯上关系的呢？ 降维，其实就是一种削减特征数量的手段。为什么要削减特征数量呢？众所周知，特征少了不好，多了也不好，可能造成特征冗余，不但会占用多余的空间，更致命的是会大大影响算法性能。所谓特征冗余，讲的就是一些特征的相关度非常高，它们的数据特征非常相似，具有很高的相关性，这样的特征对于算法是没有增益的，反而会增大计算负担。举个栗子，假如有两个
吴恩达机器学习课程12——无监督学习
lyy的博客
11-04 420
目录k-means聚类输入算法类别不明显优化目标 k-means聚类 k-means聚类是当下比较火的一个无监督学习算法。我打算直接从k-means开始讲起，对于无监督学习的理解和定义我在前面已经做过相关工作了，大家还有不理解的可以移步之前的博客，我这里就直接从相关算法开始陈述了。 吴恩达老师对于k-means算法的过程给出了一个非常通俗易懂的描述与演示： 首先随机生成两点（如果是两类的话）作为聚类中心。 而后重复执行下面的算法，直到效果不再改变。 首先遍历所有数据点，将点分为两类，距离哪个聚类中心近，
吴恩达机器学习课程01——初识机器学习
lyy的博客
10-16 380
目录什么是机器学习监督学习无监督学习写的不好的地方欢迎大家评论指正~ 什么是机器学习 Arthur Samuel(1959):在没有明确设置的情况下，使计算机具有学习能力的研究领域。 吴恩达老师举了一个关于跳棋的例子，机器通过不断学习过往经验，棋艺一步一步增强。其实就好比是下面这个例子： （图片来自https://www.zhihu.com/question/33892253） Tom Mitchell(1998):计算机程序从经验E中学习解决某一任务T并进行某一性能度量P，通过P来测定在T上的表现因
吴恩达机器学习课程笔记与Python题解
在以上信息基础上，我们可以推断出该压缩包内含有吴恩达在Coursera上关于机器学习课程的详尽学习资料和作业解答，这些内容对于初学者而言是学习机器学习的宝贵资源。此外，由于是Python版本的题解，这表明了在实践中...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CtrlZ1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值