想不到名字

Logistic Regression 属于分类(classification)问题。 在逻辑回归中，假设函数为 其中g(z)为Sigmoid Function/logistic Function，形状如： 此时，假设函数h(X)的意思为：对于样本x的y=1的可能性的大小 Y=1 时，相当于 g(z)>=0.5 或z>0 或 h (x) >=0.5 或 X*theta >0

梯度下降调用fminunc函数 先列出theta、cost function、以及cost function对各theta的偏导数 在octave中创建一个costFunction，表示为 调用fminunc Optimset : GradObj on:梯度下降打开。MaxIter:设置最大迭代次数100； opTheta:自动选择各种

Multi-class classfication k类用k个分类器 将一类取出，剩下所有的都归为一类，来进行第一次分类，再分下一个； 当分类一个新的x时，放到假设函数去看哪个的可能性大 过度拟合（overfitting) 有很多特征变量，而训练集很少 可能出现过度拟合 解决： 1.减少特征量 2.Regularization 正则化 Cost fu

plotData.m function plotData(X, y) %PLOTDATA Plots the data points X and y into a new figure % PLOTDATA(x,y) plots the data points with + for the positive examples % and o for the negative e

线性回归(Linear Regression) 1.假设函数( Hypothesis Function) 给定了一系列离散的点，求一条直线与这些点最吻合。将这条直线的函数叫假设函数，设为 改变theta的值时，式子将产生不同的直线，有的偏差严重，有的相对好一些。要看直线与点的吻合程度，需要一个函数来作为误差函数。 2.代价函数(Cost Function) 计算theta

ex1: warmUpExercise.m % ============= YOUR CODE HERE ============== % Instructions: Return the 5x5 identity matrix % In octave, we return values by defining which variables %

lrCostFunction.m function [J, grad] = lrCostFunction(theta, X, y, lambda) %LRCOSTFUNCTION Compute cost and gradient for logistic regression with %regularization % J = LRCOSTFUNCTION(theta, X,

神经元模型，逻辑单元 x0，偏置单位/偏置神经元=1 Theta是参数，又称权重weight 神经网络：不同的神经元在一起的组合 第一层输入层input layer 最后一层输出层output layer 中间hidden layer 当只有一层hidden layer时 a第j层的第i个单位的激励 Theta 第j到j+1层的作用函数