![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 96
学习笔记——机器学习
mtccccsys
这个作者很懒,什么都没留下…
展开
-
机器学习——逻辑回归
模型输出的结果介于0,1之间,而我们想要的结果要么是1要么是0.结合前面对线性回归模型的修改可以想到通过设置一个阈值(threshold)来解决这个问题。逻辑回归和线性回归之间实际上有非常强烈的关系,我们看这样一个例子:假设我们有一个关于肿瘤预测的问题,这是一个单特征数据集,目标值只有两个可能取值。由该图形可见如果用平方损失作为逻辑回归的成本函数,那么该函数不是再凸函数,有很多的局部最小值,这不利于梯度下降找最小值。的概念:损失函数衡量的是单个样本的损失,而成本函数衡量的是所有样本的平均损失。原创 2023-02-17 12:01:37 · 256 阅读 · 0 评论 -
机器学习——线性回归
向量点积在之后的学习中会经常使用,向量的点击是两个维度相同的向量中的各个元素相乘再相加。我们知道沿着梯度方向可以最快"下山",而梯度下降要做的就是不断寻找最快的下山方向下山,到新地点后再找最快的下山方向下山直至到达或接近山谷。如果是则可以排除是bug造成的。吴恩达老师给出的解释是如果数据的数量级差距大,则会导致梯度下降的过程弯弯曲曲速度降低。成本函数是用来衡量模型优劣程度的,当成本函数最小时得到的模型就是最优的。先说梯度下降的作用:梯度下降可以找到任何损失函数的局部最优解(在线性回归模型中是最优解。原创 2023-02-14 12:04:46 · 392 阅读 · 0 评论 -
笔记——机器学习入门
机器学习与人解决问题过程比较即机器学习的过程为:分析数据 --> 得出模型 --> 利用模型分析新数据数据集:数据集是有特征值和目标值(也称为标签,可以没有)构成的.如下图,房子面积,位置等都是特征值。原创 2023-01-31 22:31:15 · 381 阅读 · 0 评论