yinyanting1的博客

基本概念 1.精度 ：(1-a/m) x 100%,m为样本总个数，a为出错的样本数目。 在训练集上的误差为经验误差。在新样本上面的误差为泛化误差。 2.P问题：可以在多项式时间内解决并且验证答案。（多项式时间指的是复杂度中n总在下面。计算机可以承受其复杂度）。   NP问题：保证在多项式时间内验证问题的正确答案。   NPC问题：NPC问题就是一个NP问题领域的大boss。所有的NP问

基本概念 1.每一条记录是一个示例，共同组成数据集。 示例具有属性（特征），属性的取值为属性值，所有示例的可能属性取值组成属性空间。每一个属性的各项取值可以组成一个坐标向量，所以可以把示例成为特征向量。 2.从数据中学的模型的过程为学习或者训练，通过执行某一个算法来完成。过程本身的目的就是实现贴近现实的假设。 3.样例是拥有标注的示例。 4.共两类学习任务：分类和回归。 5.归纳：特殊到

一个最简单的线性拟合 1.单位矩阵，使用eye函数实现 2.绘制曲线，使用

这次练习的重点是多分类问题和神经网络的实现 randperm（n）：随机打乱一个数字序列，结果是从1到n随机打乱得到的一个数字序列。 首先需要了解one VS all的核心思想和步骤。 这就是之前学习的线性拟合的升级版。 对于之前的线性拟合来说，指的是知道X和y，不断调整参数使得X向量经过计算可以得到对应的y。 这次的应用背景是对20X20的图片进行识别。所以每一个X向量共有401个