coursera 机器学习笔记
m0_37626806
这个作者很懒,什么都没留下…
展开
-
exercise 3 (逻辑斯蒂回归实现多分类问题)
本文转载:本作业使用逻辑回归(logistic regression)和神经网络(neural networks)识别手写的阿拉伯数字(0-9)下面使用逻辑回归实现多分类问题:识别手写的阿拉伯数字(0-9) 数据加载到Matlab中的格式如下: 一共有5000个训练样本,每个训练样本是400维的列向量(20X20像素的 grayscale i转载 2017-09-04 15:15:01 · 4935 阅读 · 0 评论 -
exercise 3 --神经网络进行手写体识别
本作业使用神经网络(neural networks)识别手写的阿拉伯数字(0-9)由于逻辑回归是线性分类(它的假设函数是一个线性函数,就是划一条直线,把数据分成了两类。可参考这篇文章中的:②使用逻辑回归来实现多分类问题(one-vs-all) 部分 的图片)对于一些复杂的类别,逻辑回归就解决不了了。比如下面这个图片中的分类。(无法通过 划直线 将 叉叉 和 圆圈 分开)转载 2017-09-04 18:35:56 · 325 阅读 · 0 评论 -
第六周--拟合判断
对于已建立的某一机器学习模型来说,不论是对训练数据欠拟合或是过拟合都不是我们想要的,因此应该有一种合理的诊断方法。偏差和方差评价数据拟合程度好坏,通常用代价函数J(平方差函数)。如果只关注Jtrain(训练集误差)的话,通常会导致过拟合,因此还需要关注Jcv(交叉验证集误差)。高偏差:Jtrain和Jcv都很大,并且Jtrain≈Jcv。对应欠拟合。高方差:Jtra转载 2017-09-14 10:33:25 · 1808 阅读 · 0 评论 -
第六周--视频截图
原创 2017-09-14 11:01:52 · 170 阅读 · 0 评论 -
第五周--BP算法
在这篇文章中,会实现一个BP(backpropagation)算法,并将之应用到手写的阿拉伯数字(0-9)的自动识别上。训练数据集(training set)如下:一共有5000个训练实例(training instance),每个训练实例是一个400维特征的列向量(20*20 pixel image)。用 X 矩阵表示整个训练集,则 X 是一个 5000*400 (5000行 400转载 2017-09-06 20:11:10 · 312 阅读 · 0 评论 -
第二周--线性回归问题
两种方法:1.梯度下降法 优点:即使特征变量的维度n很大,该方法依然很有效 缺点:1)需要选择学习速率α 2)需要多次迭代 2.正规方程法该方法可以一次性求解参数Θ 优点:1)不需要选择α 2)不用多次迭代,一次求解 3)正规方程法不需要归一化转载 2017-09-02 19:22:16 · 193 阅读 · 0 评论