吴恩达机器学习课程整理
文章平均质量分 92
橙子啵啵
这个作者很懒,什么都没留下…
展开
-
机器学习—推荐系统
推荐系统 往期内容 1. 单变量线性回归 2. 多变量线性回归 3. 逻辑回归 4. 正则化 5. BP神经网络 6. 机器学习诊断法 7. 聚类和降维 8. 异常检测 问题举例 假设我们有5部电影和4个用户,我们要求用户为电影打分,得到: movie A B C D Love at last 5 5 0 0 Romance forever 5 ? ? 0 Cute puppies of love ? 4 0 ? Nonstop car chases 0 0 5 4 Sw原创 2021-07-10 15:25:02 · 219 阅读 · 0 评论 -
机器学习—异常检测
异常检测 往期内容 1. 单变量线性回归 2. 多变量线性回归 3. 逻辑回归 4. 正则化 5. BP神经网络 6. 机器学习诊断法 7. 聚类和降维 异常检测 异常检测主要用来识别欺骗。例如在线采集而来的有关用户的数据,一个特征向量中可能会包含如:用户多久登录一次,访问过的页面,在论坛发布的帖子数量,甚至是打字速度等。尝试根据这些特征构建一个模型,可以用这个模型来识别那些不符合该模式的用户。该算法有个不同于监督学习的显著特征:训练数据中负向类(???? = 0)数量远远大于正向类(异常数据 ????原创 2021-07-09 10:59:56 · 206 阅读 · 0 评论 -
机器学习—聚类和降维
无监督学习 — 聚类和降维 往期内容 1. 单变量线性回归 2. 多变量线性回归 3. 逻辑回归 4. 正则化 5. BP神经网络 6. 机器学习诊断法 聚类 k均值算法 K-均值是最普及的聚类算法,算法接受一个未标记的数据集,然后将数据聚类成不同的组。算法步骤总结如下: ① 随机选择K个点作为聚类中心(cluster centroids) ② 对于数据集中的每一个数据,按照距离????个中心点的距离,将其与距离最近的中心点关联起来,与同一个中心点关联的所有点聚成一类 ③ 计算每一组的平均值原创 2021-07-08 15:05:56 · 1178 阅读 · 1 评论 -
机器学习—机器学习诊断法
机器学习—机器学习诊断法 往期内容 1. 单变量线性回归 2. 多变量线性回归 3. 逻辑回归 4. 正则化 5. BP神经网络 机器学习诊断法 在使用机器学习算法时,如果预测结果出现较大的误差该如何改进自己的算法呢?获取更多的训练实例通常是有效的,但代价较大。通常还可以尝试增加/减少特征的数量、增加多项式特征、增加/减少正则化程度…我们可以通过“机器学习诊断法”来选择上诉方法。 偏差和方差 前面正则化的内容中有提到欠拟合和过拟合两个概念,一般来讲,高偏差(high bias) 和高方差(high原创 2021-07-07 21:43:02 · 701 阅读 · 0 评论 -
机器学习—BP神经网络
BP神经网络 往期内容原创 2021-07-07 15:58:39 · 229 阅读 · 0 评论 -
机器学习—正则化
正则化 往期内容 1. 单变量线性回归 2. 多变量线性回归 3. 逻辑回归原创 2021-06-06 23:15:20 · 185 阅读 · 1 评论 -
机器学习—逻辑回归
逻辑回归 往期相关内容 单变量线性回归 多变量线性回归原创 2021-06-03 15:21:12 · 144 阅读 · 0 评论 -
机器学习—多变量线性回归
多变量线性回归 往期内容 单变量线性回归 案例 波士顿房价预测:对房价模型增加更多的特征,如房间数目、楼层数、房屋的使用年龄,如下表 size(feet2feet^2feet2) bedrooms_num floors_num home age price 2014 5 1 45 460 1416 3 2 40 232 … … … … … 模型表示 hθ(x)=θ0+θ1x1+θ2x2+...+θnxnh_\theta(x)=\theta_0+\theta_1x_1+\theta原创 2021-06-02 19:23:09 · 191 阅读 · 0 评论 -
机器学习—单变量线性回归
单变量线性回归 案例 波士顿房价预测,给出不同面积的房屋价格,预测其它面积的房屋 模型表示 hθ(x)=θ0+θ1xh_θ(x)=\theta_0+\theta_1xhθ(x)=θ0+θ1x 其中:θ0\theta_0θ0和θ1\theta_1θ1为代求参数 代价函数 J(θ0,θ1)=12m∑i=1m(hθ(x(i))−y(i))2J(\theta_0,\theta_1)=\frac{1}{2m}\sum_{i=1}^m{(h_\theta(x^{(i)})-y^{(i)})^2}J(θ0,θ原创 2021-06-02 00:27:25 · 347 阅读 · 5 评论