【Machine Learning】
关注
分享
扫一扫
xiazdong
ECNU-SEI
展开
-
机器学习入门：Linear Regression与Normal Equation
本文会讲到： (1)另一种线性回归方法：Normal Equation；(2)Gradient Descent与Normal Equation的优缺点；前面我们通过Gradient Descent的方法进行了线性回归，但是梯度下降有如下特点：(1)需要预先选定Learning rate；(2)需要多次iteration；(3)需要Feature Scal原创 2012-09-06 11:35:40 · 28605 阅读 · 2 评论 -
机器学习入门：线性回归及梯度下降
本文会讲到：(1)线性回归的定义(2)单变量线性回归(3)cost function：评价线性回归是否拟合训练集的方法(4)梯度下降：解决线性回归的方法之一(5)feature scaling：加快梯度下降执行速度的方法(6)多变量线性回归Linear Regression 注意一句话：多变量线性回归之前必须要Feature Scaling原创 2012-09-06 11:33:10 · 134841 阅读 · 43 评论 -
机器学习入门：机器学习概论
什么是机器学习？ 在1959年，Arthur Samuel：不用编程去指定机器做什么，而是让机器有能力自己学习；在1998年，Tom Mitchell：首先定义任务T，经验E，表现P，如果机器有一个任务T，随着经验E的增多，表现P也会变好，则表示机器正在经验E中学习； 以上就是对机器学习的两个定义； 机器学习在生活中也处处可见，比如：(1)在gmail原创 2012-09-06 11:18:02 · 15343 阅读 · 6 评论 -
机器学习实战：单变量线性回归的实现
一、算法实现由前面的理论，我们知道了用梯度下降解决线性回归的公式：梯度下降解决线性回归思路：算法实现：ComputeCost函数：function J = computeCost(X, y, theta) m = length(y); % number of train原创 2012-09-06 11:41:08 · 17482 阅读 · 7 评论 -
机器学习实战：多变量线性回归的实现
多元线性回归其实方法和单变量线性回归差不多，我们这里直接给出算法：computeCostMulti函数function J = computeCostMulti(X, y, theta) m = length(y); % number of training examples J = 0; predictions = X * theta; J = 1/(2*m)*原创 2012-09-06 14:01:34 · 9903 阅读 · 2 评论