机器学习
文章平均质量分 60
lzkmylz
这个作者很懒,什么都没留下…
展开
-
机器学习(一):线性回归
机器学习回顾以及学习笔记。 一、线性回归(LinearRegression)阅读斯坦福的机器学习教材,首先就是线性回归,通过线性回归可以很直接的对机器学习有一个感性的认识。这一部分的目标是熟悉目标函数,计算梯度和通过调参对其进行优化。这些都将贯穿之后大多数的更加复杂的算法。我们的目标是通过一个n维的输入向量X来估计输出y。所以,我们的目标是寻找到一个确定的函数,原创 2016-07-06 11:17:50 · 288 阅读 · 0 评论 -
机器学习(二):逻辑回归
一、逻辑回归(Logistic Regression)在线性回归中,我们预测的是一个连续变化的值,而在某些时候,我们需要预测/判断一些离散值例如0或1来解决分类问题。逻辑回归就是一个用来完成上述分类问题的简单算法。在线性回归中,我们试着用h(x)去估计y。这很明显对于估计离散值不是很合适。于是我们试着换一种方式来表达:我们使用sigmoid函数:来将连续值转换为原创 2016-07-07 11:43:20 · 285 阅读 · 0 评论 -
机器学习(三):神经网络
一、神经网络考虑一个监督学习问题,我们有一些有标签的数据()。神经网络经证明可以表示任意复杂的、非线性的决策空间,可以近乎完美的与输入数据相拟合。为了表示一个神经网络,我们从描述一个最简单的神经网络,即单个神经元开始。一个神经元如下图所示:一个神经元类似于一个计算单元,在上图中,其输入为x1,x2,x3和一个+1常数项,而输出为:其中,f()函数为:原创 2016-07-08 10:12:52 · 297 阅读 · 0 评论