机器学习
文章平均质量分 71
adminabcd
爱生活,爱自己
展开
-
机器学习(1)——概念介绍
What is Machine Learning?原创 2015-07-14 22:26:31 · 791 阅读 · 0 评论 -
机器学习(2)——单变量线性回归
【Linear Regression with One Variable】1. 线性回归模型单变量线性回归是通过给出的样本变量与输出,预测一个变量的对应输出,属于监督学习。原创 2015-07-15 21:56:20 · 903 阅读 · 0 评论 -
机器学习(3)——多变量线性回归
【多变量线性回归模型】多变量线性回归是指输入为多维特征的情况,例如: 在上图中可看出房子的价格price由四个变量(size、number of bedrooms、number of floors 、age of home)决定,为了能够预测给定条件(四个变量)下的房子的价格(y),我们需要建立相应的线性回归模型。假设有n个变量,则相应的多变量线性回归模型如下:注意上图中的x是指一个训练样本,即每原创 2015-07-23 22:22:30 · 1217 阅读 · 0 评论 -
机器学习(4)——logistic regression
【一、逻辑回归模型】逻辑回归不同于线性回归,它实际上一种分类方法,用于二分类问题(y=0或者1)。逻辑回归模型如下: 即当>=0.5时,预测输出值y=1;否则预测输出值y=0;且有: 【二、决策边界】所谓Decision Boundary就是能够将所有数据点进行很好地分类的h(x)边界。 【例1】 由图可知: 对应的线性回归模型为: 决策边界为粉色直线: 【例2】原创 2015-07-24 16:49:11 · 1178 阅读 · 0 评论 -
机器学习(5)——过拟合问题
下面主要总结线性回归与逻辑回归下的过拟合问题。【过拟合问题的定义】【过拟合问题的解决方法】 怎样解决过拟合问题呢?两个方法: 1. 减少feature个数(人工定义留多少个feature、算法选取这些feature) 2. 正则化(留下所有的feature,但对于部分feature定义其parameter非常小) 下面我们将对线性回归与逻辑回归的正则化进行详细的讲解。【一、线性回归的正则化原创 2015-07-26 10:34:05 · 1204 阅读 · 0 评论 -
机器学习(6)——模型选择、参数选择
当我们使用正则化的线性回归方法预测房价时,发现得到的模型应用于新的数据上时有很大误差,这时,我们可以选择一些解决方案,例如: 上图中的这六种解决方案都有相应的条件,如图中蓝色字体所示。【一、回归模型选择】我们引入一类数据集,叫做cross validation set,即交叉验证数据集。将所有数据按6:2:2 分为training set , cross validation set , t原创 2015-07-27 21:36:59 · 8323 阅读 · 1 评论