机器学习1

第一节

所谓LSM算法就是那个权重的更新法则，是和误差相关的

这里面所说的再讨论就是另一种最小化代价函数J的方法，不过这次不是迭代更新然后求最小化了，而是直接求出$\theta$的解了

所谓局部加权的意思就是，对于一个输入，侧重考虑输入点附近的样本（可以看到那个权重的选取类似于一个高斯函数，离$x$越近，值越大，考虑的权重也越大），频带宽大小决定了你的“附近”到底是多宽（相当于高斯函数的胖瘦）。非参数的意思就是，对于每个输入，$w^{(i)}$都要算一次，样本有多少，就算多少，相当于无穷多参数，所以这个模型不是定几个参数就能解决问题的，所以叫非参数模型