# 机器学习笔记2——参数学习、非参数学习、局部加权线性回归、线性回归的概率解释、logistics回归

• 参数学习：有固定数目的参数，模型学习之后会有一个永久的参数，这个参数在后面的预测中可以直接使用，不需要再需要数据

• 非参数学习：参数数目会随着训练数据规模线性增长。

• 局部加权线性回归，使用局部的数据进行回归

假设要在第i个样本附近回归，$x^{(i)}$

找到θ，使得$\frac12\sum_{i=1}^m w^{(i)} (y^{(i)}-θ^T x^{(i)})^2$
其中$w^{(i)}=e^{-\frac{(x^{(i)}-x)^2} 2}$
这意味着，当x接近于$x^{(i)}$时，$w^{(i)}$接近于1，反之，当x远离于$x^{(i)}$时，$w^{(i)}$接近于0

• 线性回归的概率解释
  样本：（$x^{(i)},y^{(i)}$），第i个样本，总共m个样本
  hθ(x(i)