Andrew Ng(吴恩达) Coursera ML课程（二）

写作目的：作为自己学习ML的记录，也希望能为后来者提供一点点参考

文章内容：本篇主要总结、回顾一下机器学习课程第三周的内容

目录

课程内容

        主要内容回顾

        1、回归（Regression）问题与分类（Classification）问题

                 2、分类问题的假设函数表达式

                 3、决定边界（Decision Boundary）

        4、分类问题的代价函数

        5、假设函数的参数theta的求解优化

        6、多分类问题（Multiclass Classification: One-vs-all）

        7、欠拟合（underfitting）和过拟合（overfitting）

        8、正则化（Regularized）

编程作业

 个人感受

---

课程内容

        主要内容回顾

        1、回归（Regression）问题与分类（Classification）问题

        官方定义：In a regression problem, we are trying to predict results within a continuous output, meaning that we are trying to map input variables to some continuous function. In a classification problem, we are instead trying to predict results in a discrete output. In other words, we are trying to map input variables into discrete categories. 

        通俗点说：

        回归问题的结果是无限多个值中的具体的一个

        分类问题的结果是归类到某少数几个值中的一个

        2、分类问题的假设函数表达式

        相较于前面学习到的线性回归问题的假设函数h，因为分类问题的结果表现为归类（映射）到某个值的概率，所以它的结果总是在[0,1]这个范围内，由此先行者们给出公式：

                                                            

         说明：e为数学常数，z = theta的转置乘以X，其实就相当于前面线性回归中的假设函数，上面图片中的h(x)指的是分类问题的假设函数，和前面线性回归的假设函数名字一样，但是表达式有区别，需要注意

        特性： P(y=0|x;θ)+P(y=1|x;θ)=1

        即：根据某一具体特征值预测结果为0的概率加上预测结果为1的概率的和总是等于1

        3、决定边界（Decision Boundary）

        下图为官方课程给出的推导过程

         说明：先行者们已经确定了假设函数公式，在这个前提下，