机器学习
文章平均质量分 83
后来者xq
这个作者很懒,什么都没留下…
展开
-
线性回归与梯度下降
线性回归(Linear Regression)从这篇文章开始,主要介绍机器学习的一些列基本算法,本文介绍线性回归问题,以及利用最小均方和梯度下降解决线性回归问题。(以下内容是根据斯坦福大学ng教授的机器学习公开课总结的内容)监督学习:即训练数据中既包含了输入数据又包含了对应于这个是输入数据的正确的输出结果。 回归问题:当给出了输入数据后,预测正确的输出结果。原创 2014-05-28 01:23:05 · 1322 阅读 · 1 评论 -
局部权重线性回归(Locally weighted linear regression)
在线性回归中,由于对参数个数选择的问题是在问题求解之前已经确定好的,因此参数的个数不能很好的确定,如果参数个数过少可能拟合度不好,产生欠拟合(underfitting)问题,或者参数过多,使得函数过于复杂产生过拟合问题(overfitting)。因此本节介绍的局部线性回归(LWR)可以减少这样的风险。欠拟合与过拟合首先看下面的图 对于图中的一系列样本点,当我们采用y原创 2014-05-30 19:30:35 · 7494 阅读 · 0 评论 -
逻辑回归(logistic regression)
logistic regression可以解决分类问题,即输出的结果只有0和1两种,比如,对于邮件的判断只有是或者否。这种分类问题使用传统的线性回归并不能很好的解决。一个小例子例如,当我们根据肿瘤的大小判断一个肿瘤是不是良性的时候,输出结果只有是或者否,用1和0表示,给定的样本点,并且我们使用传统的线性回归问题解决拟合的函数图像如下:图像中我们可以根据拟合曲线,当输出值原创 2014-05-31 22:06:48 · 2281 阅读 · 0 评论