机器学习算法基础--线性回归，最小二乘法，梯度下降，逻辑斯特回归，k-means

WslWslYYX

于 2021-10-16 00:05:17 发布

阅读量318

点赞数

分类专栏：机器学习算法基础文章标签： sklearn python 机器学习

本文链接：https://blog.csdn.net/WslWslYYX/article/details/120779160

版权

本文介绍了机器学习的基础算法，包括线性回归的模型、最小二乘法和梯度下降，以及逻辑斯特回归在分类中的应用。讨论了过拟合与欠拟合的概念，提出L2正则化作为解决方案。同时，讲解了非监督学习中的k-means聚类算法及其评估指标。

摘要由CSDN通过智能技术生成

一个通过属性的线性组合来进行预测的函数：
– $f (x) = w 1 x 1 + w 2 x 2 + . . . + w d x d + b$
–w为权重，b为偏置项，可以理解为w0*1

也可以把w,x看成是矩阵形式：
$w=\begin{pmatrix}{w0}\\{w1}\\{w2}\end{pmatrix},x=\begin{pmatrix}{1}\\{x1}\\{x2}\end{pmatrix}$

–看成矩阵是为了满足特定的运算需求，如矩阵的乘法：

import numpy as np

# 二维数组相乘,构建三个样本三组特征值，每组特征值的权重都为2
a = [[1, 2,<

关注

专栏目录