斯坦福机器学习公开课
m0_37891619
这个作者很懒,什么都没留下…
展开
-
斯坦福机器学习公开课(3)
1、参数学习算法和非参数学习算法参数学习算法:是一类有固定数目参数的以用来进行数据拟合的算法。非参数学习算法:它是一个参数数量会随着训练集大小m增长的算法。2、局部加权回归(Local Weight Regression):局部加权回归主要是选择一个θ\theta来拟合目标函数:∑mi=1ωi(y(i)−θx(i))\sum_{i=1}^{m}\omega_i(y^{(i)}-\theta x^{(原创 2017-09-11 22:55:45 · 297 阅读 · 0 评论 -
斯坦福机器学习公开课(4)
1、最速下降法和牛顿法1.1 最速下降法计算步骤如下:(1)给定初始点x(1)∈R(n)x^{(1)}\in R^{(n)},允许误差ϵ\epsilon>0,置k=1k=1;(2)计算搜索方向d(k)=−▽f(x(k))d^{(k)}=-\bigtriangledown f(x^{(k)});(3)若||d(k)||≤ϵ||d^{(k)}||\leq \epsilon,则停止计算;否则,从x(k)x原创 2017-09-15 18:47:28 · 348 阅读 · 0 评论 -
斯坦福机器学习公开课(2)
1、线性回归线性回归假设特征和label满足线性关系。其实线性关系的表达能力特别强,每个特征对结果的影响强弱可以由特征前的权重所体现。 在这里,我们用x1,x2,x3,...,xnx_1, x_2, x_3,..., x_n来表示特征。θ\theta为权重参数,表示每个特征的影响力。 hθ(x)=θ0+θ1x1+θ2x2+...+θnxnh_{\theta}(x) = \theta_0+\the原创 2017-09-09 23:28:16 · 229 阅读 · 0 评论