机器学习 吴恩达 第三周 笔记

Classification

Logistic Regression 

---分类

Hypothesis Representation-------

 h(x) = p(y=1|x;符号)

Decision Boundary----判断边界

 

 判断边界 == h(x)

 

Cost Function ----logistic Regression

如果在logistic regression用linear regression的J(0)会导致左图的non-convex，最终会到达global minimum 但会很颠簸

在这里logistic regression的cost function = 

使用梯度下降(Gradient Descent)时公式还是和linear的一样，只是替换了h(x)

进行向量化后

Advanced Optimization 高级优化

BFGS . .L-BFGS调用方法

 

Multiclass classification one-vs-all 

  多类(Multiclass)能最终分解为二元来来分析  最终求

Overfitting --过拟合

对应的underfitting---欠拟合

图1---欠拟合   图2---right   图3---过拟合

过拟合存在问题：很完美契合training set数据但却不能很好地预测

太多的feature和太少的训练集会导致过拟合

overfitting-----high variance 高方差

underfitting ---- high bias 高偏差

 Addressing overfitting

引入正则化 

Regularization

-----------cost Function

对于该式子，为了尽量消除 的影响可以让θ3和θ4无限接近与0，这样其带来的影响会大大降低，根据这种思想可以推出regularized cost function

注意：这里的这里的λ和其后面的θ参数是用来平衡整个cost function的

 这个部分的目的是 fit well

而这一部分则是 keep θ small by using λ

这里λ称为 regularization parameter  

这里第二个式子的θ只能取值1,2,3,4.....n不能取值为θ0

当λ增大时，θ对应变小，反之亦然 ，所以当λ无限大的时候，θ趋近于0，代入整个式子时，就约等于θ0---一条直线导致underfitting

-----regularized linear regression 

cost Function 如上

对于梯度下降来说，求θ分为两部分θ0，和其他θj

θ0保持和普通梯度下降一致

 θj则需要加上λθj/m

在这里式子可以化简变成第二个θj ------ 因为学习率α小于1，样本数量m大于1，所以1-αλ/m <1 一一般来说总是稍微小于1，如0.99

相当于每次迭代时θj都减少一点点

-------regularized Normal equation

下面那个是正规化后的正规方程。

 

在这里一般的正规方程，当样本数量m<=特征n时会出现non-invertibility不可逆(m<n不可逆，m=n时可能不可逆)，就是说没有逆矩阵，一般来说在octave时可以用pinv来生成伪逆矩阵(inv用来生成逆矩阵)。在这里regularization可以解决没有逆矩阵的问题。

------regularized logistic regression

与linear regression类似在h(x)后面加入 regularization parameter

 

 

logistic regression和linear regression的正规化很类似，就只有h(x)不一样