YWonchall

本篇介绍目前为止的最后一个算法，逻辑回归。后边如果有机会可能会继续更新。 同样使用随机梯度下降法。 算法介绍 模型可以如下表示： yhat=eb0+b1×x11+eb0+b1×x1 yhat = \frac{e^{b0+b1×x1}}{1+e^{b0+b1×x1}} yhat=1+eb0+b1×x1eb0+b1×x1​ 可简化为(简单数学计算即可) yhat=1.01.0+e−(b0+b1×x1) yhat = \frac{1.0}{1.0+e^{-(b0+b1×x1)}} yhat=1.0+e−(b0.

本篇介绍第三个算法，感知机算法，同样仅介绍两个主要函数：预测函数和训练函数。 需要说明，本算法仍使用随机梯度下降算法，与上篇多元线性回归有很多相似之处。 算法介绍 激活函数可以如下表示： activation=bias+∑i=1nweighti×xi activation = bias + \sum_{i=1}^{n}weight_i×x_i activation=bias+i=1∑n​weighti​×xi​ 阶跃函数 prediction=1.0IFactivation≥0.0ELSE0.0 pre.

上篇已经介绍过简单线性回归了，这篇介绍第二个算法，多元线性回归，仅介绍两个主要函数：预测函数和训练函数。 算法介绍 模型可以如下表示： y=b0+b1×x1+b2×x2+... y = b_0+b_1×x_1+b_2×x_2+... y=b0​+b1​×x1​+b2​×x2​+... 随机梯度下降法 多元线性回归采用的是随机梯度下降方法，该方法具体介绍同样自行百度，在这里不做详细介绍。仅介绍C语言实现方法 这里给出更新方程： b=b−learning rate×error×x b = b-.

简单线性回归应该是最简单的机器学习算法了，在这里主要介绍一下算法主要函数的C语言实现，具体算法原理简单一提，如果要学习，可以自行百度。 算法介绍 模型可以如下表示： y=b0+b1×x y = b_0 + b_1 × x y=b0​+b1​×x 训练主要依据以下公式： B1=∑i=1n((xi−mean(x))×(yi−mean(y)))∑i=1n(xi−mean(x))2 B_1 = \frac{\sum_{i=1}^{n}{((x_i - mean(x))×(y_i - mean(y)))}}{\.