尹傲雄的博客

在写线性回归的笔记前，我觉得有必要介绍一下机器学习的概念和现在机器学习的大体的一些架构和概念。机器学习的定义　　套用coursera上的说法。对于机器学习，并没有一个一致认同的定义，一个比较古老的定义是由Arthur Samuel在1959 年给出的： “机器学习研究的是如何赋予计算机在没有被明确编程的情况下仍能够学习的能力。 (Field of study that fives comput

前面的课程学习了线性回归，可以用于预测房价这一类的问题。预测房价这种问题是连续的而且值域是[0,+∞]。但是生活中并不仅是有这类问题，还有一类非常常见的问题种类叫做分类问题。比如说对常见的对邮件进行分类是正常邮件还是垃圾邮件等等。在这节课程中学习使用logistic regression来处理这种问题。　　首先在学习logistic regression之前课程通过一个简单的例子来告诉我们为什么线性

问题：过拟合算法训练结束后可能会产生两种让人不想面对的结果，一种是欠拟合，一种是过拟合。需要注意二者针对的对象都是训练数据，再结合名字就非常容易理解这两个名字的意思了。 欠拟合：即使是在训练数据上都存在较大的误差。 过拟合：在训练数据上误差非常小甚至没有误差，过度的拟合了训练数据以至于失去了数据整体上的趋势不能很好的用在真实数据上。 过拟合产生的原因主要有两个，过多的特征参数，过少的训练...