2017年02月_蟹恼板

12月 11月 10月 09月 08月 07月 05月 04月 03月 02月 01月

原创 [笔记]Coursera Machine Learning Week3 - 正则化(Regularization)

欠拟合（Underfitting）与过拟合（Overfitting）上面两张图分别是回归问题和分类问题的欠拟合和过度拟合的例子。可以看到，如果使用直线（两组图的第一张）来拟合训，并不能很好地适应我们的训练集，这就叫欠拟合（Underfitting），但是如果x的次数太高（两组图的第三张），拟合虽然很好，但是预测能力反而变差了，这就是过拟合（Overfitting）。对于欠拟合，我们可以适

2017-02-17 16:06:43 580

原创 [笔记]机器学习(Machine Learning) - 02.逻辑回归(Logistic Regression)

逻辑回归算法是分类算法，虽然这个算法的名字中出现了“回归”，但逻辑回归算法实际上是一种分类算法，我们将它作为分类算法使用。。分类问题：对于每个样本，判断它属于N个类中的那个类或哪几个类。通常我们判定一个样本，若我们预测它的确属于这个类的可能性大于50%，则认为它属于这个类。当然具体选择50%还是70%还是其他要看具体情况，这里先默认50%。线性回归的局限性在分类问题的例子中变得不可靠：这是一

2017-02-13 21:57:44 2354

原创 [笔记]Coursera Machine Learning Week1,2 - 线性回归(Linear Regression)

线性回归属于回归问题。对于回归问题，解决流程为：给定数据集中每个样本及其正确答案，选择一个模型函数h（hypothesis，假设），并为h找到适应数据的（未必是全局）最优解，即找出最优解下的h的参数。这里给定的数据集取名叫训练集（Training Set）。不能所有数据都拿来训练，要留一部分验证模型好不好使，这点以后说。先列举几个几个典型的模型：最基本的单变量线性回归：形如h(x)=thet

2017-02-12 20:10:38 1385

原创 [笔记]Coursera Machine Learning Week0 - 目录大纲

目录会根据我的学习进度而更新，给自己列一个大纲以系统地看待整个学习过程。学习资料来源学习的是Coursera上吴恩达（Andrew Ng）老师的机器学习视频（课程传送门，最近在“最强大脑”上看到他了好激动啊，原来他去做百度大脑了呀），笔记根据此系列视频整理。笔记顺序不一定与原教程一样，希望加入些自己的思考。同时使用了网上找到的黄海广博士的对于吴大大视频教程的笔记（传送门）。因为我一开始看视频没做笔记

2017-02-12 15:45:11 1028

原创 [笔记]SciPy、Matplotlib基础操作

NumPy、SciPy、Matplotlib，Python下机器学习三大利器。上一篇讲了NumPy基础操作，这节讲讲SciPy和Matplotlib。目前接触到的东西不多，以后再遇到些比较常用的再更新。scipy是基于numpy的扩充，所以安装时要先安装numpy再安装scipy。scipy的命名空间包含numpy，所以只需import scipy即可，numpy不用import。（所以以下有些东西

2017-02-02 20:45:29 1386