吴恩达机器学习【第五天】逻辑回归模型

最新推荐文章于 2024-06-03 13:00:36 发布
最新推荐文章于 2024-06-03 13:00:36 发布
阅读量825 收藏 2
点赞数
分类专栏： 机器学习 文章标签： 机器学习 人工智能 深度学习 逻辑回归 python
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/aec153/article/details/119767920
版权

想不到又过了几天
前几天在忙一个项目，需要用前端实现一个页面，遇到跨域的问题，一直弄不出来

逻辑回归

分类

日常生活中，为了更好的辨别一种东西，会对他归类，那计算机怎么来计算归类呢？
在这里插入图片描述
比如上图，通过构建一个函数来进行归类，在这个函数的右边为1，左边为0.

假设陈述（Hypothesis Representation）

因为目前是针对 0 1类的这种分类，所以需要构建一个函数，来实现分类。
在这里插入图片描述
上面这个函数就完美地符合条件。

决策边界

决策边界则取决于函数的各个参数，比如下图：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
非线性分类

代价函数

可以通过极大似然估计来推断，但是还不会
在这里插入图片描述

简化代价函数和梯度下降

在这里插入图片描述

更好的优化

除了梯度下降之外还有其他的方法，但是其他方法的话，级别还不够
在这里插入图片描述
使用Octavio中函数库，可以不用自己设置学习率
在这里插入图片描述

解决多类别分别问题

划分成多个一对二
在这里插入图片描述

课后习题

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
题目的链接
题目的链接

正则化（解决过拟合）

过拟合现象的产生

为了实现更好的效果，我们往往会倾向于的让所有的数据点都尽可能的落在所拟合的函数上，但是这样子的话，就容易产生过拟合的现象。
在这里插入图片描述

解决过拟合的方法

一种减少变量【需要人工和损失数据信息】，第二种的正则化【保持所有的变量】
在这里插入图片描述

代价函数

在原有的代价函数后面加上对其他变量的参数之和。
在这里插入图片描述

正则化的线性回归

在这里插入图片描述

正则化的逻辑回归

在这里插入图片描述

课后题

在这里插入图片描述
在这里插入图片描述
来自链接

aec153
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
吴恩达机器学习笔记5-逻辑回归
jkjkre的博客
10-30 441
分类问题 分类的时候，我们通常让0为负类，1为正类。 有时候，线性回归并不能很好的解决分类问题。比如如下图所示的训练集，增加了一个样本，直线由粉红色变成了蓝色，得到了一个更坏的假设。 逻辑回归实际上是分类算法，不要被它名字所骗了。逻辑回归也叫做对数几率回归，明明是分类算法，为什么叫做回归呢？因为它仅仅是在线性回归的基础上，将线性模型通过一个函数，转化为结果只有0/1的分类...
【吴恩达机器学习】逻辑回归习题
腾叔
03-12 473
​ 建立一个逻辑回归模型来预测学生是否被大学录取。 ​ 根据每位申请者的两次考试成绩来确定他们的录取机会。有每位申请者的历史数据，可以 用作Logistic回归的训练集。 ​ 目标：建立分类器（求解出三个参数θ_0、θ_1、θ_2），即得出分界线。 ​ 备注：θ_1对应’exam1’，θ_2对应’exam2’ ​ 设定阈值，根据阈值判断录取结果。 ​ 备注：阈值指最终得到的概率值，将概率值转化为一个类别。一般是>0.5被录取。 import pandas as pd imp
机器学习1.0
qq_39441111的博客
10-20 262
机器学习 定义：如果某计算机程序在T任务中的性能（由P衡量）随着经验E的提高而提高，则可以说它是从经验E中学习有关某类任务T和性能度量P的。 简单的来说： 打个比方—>玩跳棋。 E =玩许多跳棋游戏的经验 T =扮演跳棋的任务。 P =程序将赢得下一场比赛的概率。 通常，可以将任何机器学习问题分配给以下两种广泛的分类之一： 监督学习和无监督学习。 监督学习 在监督学习中，我们得到了一个数据集，并且已经知道我们正确的输出应该是什么样子，并且认为输入和输出之间存在关系。 监督学习问题分为“回归”和“分类”
吴恩达深度学习Deep Learning课程笔记
yxx35AN的博客
06-20 3524
在计算机中为了保存一张图片，需要保存三个矩阵，它们分别对应图片中的红、绿、蓝三种颜色通道，如果你的图片大小为64x64像素，那么你就有三个规模为64x64的矩阵，分别对应图片中红、绿、蓝三种像素的强度值。从简单的根据房子尺寸预测房价例子开始，拟合房价的过程从左抽象为右，输入房子尺寸，输出价格，这就是一个简单的神经网络，中间的圆圈就是一个独立的神经元。损失函数是在单个训练样本中定义的，它衡量的是算法在单个训练样本中表现如何，为了衡量算法在全部训练样本上的表现如何，我们需要定义一个算法的总代价函数，即对。
吴恩达：仅需四步，让大模型变得更好
最新发布
深度学习技术前沿
06-03 37
来源：机器之心近期，前有 OpenAI 抢先发布 GPT-4o，后有谷歌在 I/O 开发者大会上发布一系列生成式人工智能模型与产品。自 2022 年 11 月 OpenAI 推出 ChatGPT，至今已有 18 个月。学界、业界为了提升生成式 AI 模型的能力，做出了诸多努力。今天，著名人工智能学者、斯坦福大学教授吴恩达高度总结了提升生成式 AI 模型能力的方式，主要包括：1）提升模型的推理能力；...
吴恩达：AI智能体工作流今年将有巨大进展，可能超过下一代基础模型
lqfarmer的博客
03-23 528
如下图所示，吴恩达的团队发现：GPT-3.5（零样本）的正确率为 48.1%，GPT-4（零样本）的表现更好，为 67.0%。最近在社交媒体上引起了广泛关注。吴恩达的团队一直密切关注 AI 编写代码的发展，并分析了多个研究团队的结果，重点关注算法在广泛使用的 HumanEval 编码基准上的表现。当前，我们主要在零样本模式下使用 LLM，提供 prompt，逐个 token 地生成最终输出，没有进行调整。多智能体协作：多个 AI 智能体一起工作，分配任务并讨论和辩论想法，以提出比单个智能体更好的解决方案。
“AI 程序员”席卷而来，吴恩达四步设计让 Agent 提前超越 GPT-5
AI科技大本营
04-05 1万+
作者| 王启隆出品 | AI 科技大本营（ID：rgznai100）有不少科幻片描绘了这样的世界：数字实体执行一座城市的所有任务，人工智能可以与数字世界甚至物理世界的一切事物进行交互，不断学习和适应新环境，周围的人对此司空见惯，仿佛一切都理应如此……现在，随着 AI Agents 的应用浮出水面，这种幻想逐渐走入了现实。Agent 可以翻译为“代理”，在 AI 领域有了“智能体“这一含义，是当前...
吴恩达机器学习
weixin_43939542的博客
10-21 1380
文章目录1. 概念1.1. 什么是人工智能？1.2. 什么是机器学习？1.3. 机器学习算法：2. 回归问题2.1. 用到的符号汇总2.2. 演示例子2.3. 代价函数最小化的方法之一：梯度下降法2.3.1 特征缩放2.3.1.1. 特征缩放具体方法：均值归一化2.3.2. 学习率2.4. 矩阵知识2.4.1. 一元线性回归2.4.2. 多元线性回归2.5. 代价函数最小化的方法之二：正规方程2.6. 梯度下降与正规方程对比3. 分类问题3.1. 二分类问题3.1.1. 逻辑回归算法3.1.1.1. 假设函
吴恩达机器学习笔记pdf格式
05-19
《吴恩达机器学习笔记》是一份详尽的教育资源，旨在帮助学习者深入理解机器学习这一领域的核心概念和算法。吴恩达，作为人工智能和在线教育领域的先驱，以其深入浅出的教学风格闻名，他的机器学习课程在全球范围内广...
机器学习-吴恩达第二次作业源码
10-08
在本资源中，“机器学习-吴恩达第二次作业源码”是关于吴恩达教授的机器学习课程的第二部分实践内容。吴恩达是斯坦福大学的计算机科学教授，他在在线教育平台Coursera上开设的机器学习课程深受全球学习者欢迎。这个...
吴恩达深度学习工程师 - 02改善深层神经网络：超参数调试、正则化以及优化（第一周：深度学习的实践层面）
wo的博客
01-16 621
目录训练集、验证集、测试集偏差、方差机器学习基础如何减少高方差（过拟合）？用正则化dropout 正则化（随机失活）其他正则化方法归一化输入梯度消失和梯度爆炸神经网络的权重初始化梯度的数值逼近梯度检验梯度检验应用的注意事项 蓝色字体是我自己的理解,红色字体是疑问待补充的，其他内容为对课程知识点的梳理。 训练集、验证集、测试集 在训练集上训练模型，根据验证集的效果选择最好的模型，测试集在最终模型上做...
吴恩达《Machine Learning Yearning》学习笔记
fengtaoO08的博客
11-22 843
本文链接 开始 推动深度学习（神经网路）近期发展的主要因素： a) 数据可用性（data availability)，如今广泛数字化行为产生海量数据可供训练。 b) 计算规模（computational scale），如今有能力训练出足够大的神经网络。 在小数据集情况下，算法的表现更多取决于人工特征选择工程，此时选择神经网络还是传统算法并非决定因素。在大数据集情况下，传统算法较难从数据量中获得更...
吴恩达《深度学习》课程介绍
Erik_ly的博客
09-01 1万+
主要介绍吴恩达《深度学习》课程的内容
吴恩达
Control Complexity
05-25 5218
吴恩达（1976-，英文名：Andrew Ng），华裔美国人，是斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的联合创始人（with Daphne Koller）。 2014年5月16日，吴恩达加入百度，担任百度公司首席科学家，负责百度研究院的领导工作，尤其是Baidu Brain计划。
AI四大神之吴恩达：离开谷歌和百度，我要做的事太多了
读芯术的博客
03-05 1545
全文共3556字，预计学习时长11分钟图源：搜狐新闻2020年的今天，没有听过“人工智能”这一概念的人应该不多了。以谷歌、百度为首的科技巨头在这一方向投入巨大，如今，人工智能已然渗透在我...
【经典】吴恩达《机器学习》课程
热门推荐
Beyond_2016的博客
09-02 3万+
如果要推荐《机器学习》的学习课程，那必然首选吴恩达的《机器学习》课程，无论是国内还是国外，这是最火的机器学习入门课程，没有之一。吴恩达老师用易于理解、逻辑清晰的语言对机器学习算法进行介绍，无数新手正是通过这门课程了解了机器学习。 吴恩达老师的《机器学习》课程主要有两门，一门是Cousera上的课程，另一门是斯坦福大学的课程CS229: Machine Learning。这两门课程各有侧重点： ...
吴恩达《机器学习》4-1-＞4-5:多变量线性回归
qq_46179411的博客
11-01 1789
对于每个训练实例，我们使用向量表示特征，如𝑥(𝑖) = [1416, 3, 2, 40]，这里 𝑥ⱼ(𝑖) 代表特征矩阵中第 𝑖 行的第 𝑗 个特征，也就是第 𝑖 个训练实例的第 𝑗 个特征。模型的形式可以是像这样的方程：ℎ(𝑥) = 𝜃0 + 𝜃1𝑥 + 𝜃2𝑥² + ... + 𝜃𝑛𝑥ⁿ，其中 n 是多项式的次数。它允许引入更高次的特征，以拟合数据的曲线形状。这样，模型中的参数是一个 𝑛 + 1 维的向量，每个训练实例也都是一个 𝑛 + 1 维的向量，特征矩阵 𝑋 的维度是 𝑚 × (𝑛 + 1)。
吴恩达：AI已经做好颠覆人类医生的准备了
llawliet0001的专栏
09-03 190
吴恩达在一封电子邮件中这样说道。在上文提到的利用人工智能进行癌症诊断的项目时，带领团队的 MIT 教授 Regina Barzilay 发现了制约医疗 AI 的重要问题所在——优秀的疾病数据的匮乏。“我们面前还要好很多工作需要着手处理，来使得这些算法进入医疗系统的工作流程，”他说道，“但我坚信十年内，医疗行业将会更多地应用到 AI，变得和今天十分不同。不过不同于图像、语音识别这种相对轻松且更贴近生活的应用领域，在医疗健康这种可能生死攸关的应用层面，应用 AI 面对的一大挑战就是取得医生和患者的信任。
『深度长文』吴恩达：AI Agent 4种最常见的设计模式
hunteritself的博客
05-23 2068
『深度长文』吴恩达：AI Agent 4种最常见的设计模式
吴恩达机器学习课程讲义翻译：从线性到逻辑回归与归一化
"吴恩达的机器学习课程讲义，由网友翻译，涵盖了从机器学习基础到高级主题的笔记，包括单变量和多变量线性回归、多项式回归、逻辑回归以及归一化等概念。" 这篇讲义是基于吴恩达在Coursera上的机器学习课程编写的，...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值