吴恩达机器学习笔记三十八二进制标签均值归一化

最新推荐文章于 2024-07-21 11:20:00 发布

爱学习的小仙女！

最新推荐文章于 2024-07-21 11:20:00 发布

阅读量180

点赞数 1

分类专栏：机器学习文章标签：笔记机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/XinxingZh/article/details/140455350

版权

机器学习专栏收录该内容

36 篇文章 0 订阅

订阅专栏

标签 0 和 1 可以有很多种意义。从回归到二分分类：之前定义 $y^{(i,j)}=w^{j}\cdot x^{i}+b^{j}$ ,而对于二进制标签，通过 $g(w^{j}\cdot x^{i}+b^{j})$ 给出y^(i,j)为 1 的概率，其中 $g(z)=1/1+e^{-z}$

损失函数

均值归一化

计算每个电影的平均得分，例如第一部电影的平均分为2.5，第五部电影的平均分为1.25，得到一个平均分向量 μ ，将原始评分矩阵的每一项减去相应的平均分，得到一个新的矩阵。此时用户 j 对电影 i 的评分要在 w*x+b 的基础上加一个 $\mu _{i}$ , 例如一个新用户的评分预测，w5*x1+b5+μ1恰为第一部电影的均分2.5。

好久没看这个课程了，还是决定翻出来看完。加油！

爱学习的小仙女！

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
吴恩达机器学习笔记三十八二进制标签均值归一化

将原始评分矩阵的每一项减去相应的平均分，得到一个新的矩阵。此时用户 j 对电影 i 的评分要在 w*x+b 的基础上加一个。计算每个电影的平均得分，例如第一部电影的平均分为2.5，第五部电影的平均分为1.25，得到一个平均分向量。, 例如一个新用户的评分预测，w5*x1+b5+μ1恰为第一部电影的均分2.5。标签 0 和 1 可以有很多种意义。从回归到二分分类：之前定义。好久没看这个课程了，还是决定翻出来看完。给出y^(i,j)为 1 的概率，其中。,而对于二进制标签，通过。
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。