![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 85
Noobs_way
这个作者很懒,什么都没留下…
展开
-
8.神经网络:演示部分
尽管我们前面介绍的线性回归和Logistic回归已经足以覆盖相当多的机器学习问题了,但是仍有一些不足,如下图所示:我们可以看到,模型为了较好地拟合这些点,引入了非常多的二次项以及更高次项。然而,假如特征过多,这一方面会增加模型的求解难度,一方面很有可能过拟合。实际上,仅仅按照x12,x1x2,x1x3...x1xn;x22,x2x3...这样的二阶二次项作为模型的参数也足以增大我们的工作量(2n(n。原创 2022-09-18 17:15:52 · 329 阅读 · 1 评论 -
7.正则化
什么是过拟合问题?首先,什么是过拟合问题?用更为抽象一些的话来进行评价,如下图所示,左边,中间和右边三者分别展示了什么是欠拟合,理想的拟合状态和过拟合。同时这里需要引入几个概念,通常来说,欠拟合带来的是,也叫;过拟合带来的则是高方差。过拟合除了上述这些问题,从模型的角度来讲也不是一个好的结果。引用吴恩达的话来说就是如果我们的拟合函数是一个高阶多项式,虽然理论上它可以模拟任何数值,但是该模型对数据的要求量也很大。这使得我们很难去约束或者求解它。原创 2022-09-18 10:07:06 · 106 阅读 · 0 评论 -
机器学习6.1-6.7:Logistic回归
介绍了逻辑回归问题原创 2022-09-13 09:27:08 · 170 阅读 · 0 评论 -
机器学习4.1-4.8:多元函数梯度下降
多元变量的情形多元变量情况下的标号在之前的研究中,我们研究房屋价格和房屋面积的关系,这种情况下仅有房屋价格一个自变量。现在,我们引入其它变量,因为一个房子的售价不仅与房屋面积有关,还与房屋年龄,卧室数目,层数等因素有关。将四个特征量分别命名为x1,x2,x3,x4x_1,x_2,x_3,x_4x1,x2,x3,x4(由于特征量有四个,因此n = 4),房屋价格仍为yyy。我们一共有47个样本,因此样本数量m = 47。使用x(i)x^{(i)}x(i)来表示第i个样本的特征值所组成的列原创 2022-02-03 16:09:30 · 221 阅读 · 0 评论 -
机器学习2.1-2.7——单变量线性回归
模型描述例子以监督学习中的线性回归为例上图描述的是房屋尺寸和售价的关系。假如现在需要预测1250feet2feet^2feet2的房子售价,该如何建立模型?上图数据似乎具有明显的线性趋势,因此我们可以使用一条直线来预测其走向。术语标记## 流程简介...原创 2022-01-28 13:38:56 · 877 阅读 · 0 评论 -
机器学习1.1-1.4——监督学习和无监督学习
监督学习的定义监督学习指的是,我们给定程序一个数据集,数据集中的各个样本均包括正确数据。程序的目的就是计算出更多的正确数据以房价为例,我们会喂给程序一套正确的数据集,程序负责计算出更多的正确数据,这样我们可以根据它的计算结果进行价格预测。回归——连续值预测**回归(regression)**:对于连续值数据的预测**分类(classification)**:对于离散值数据的预测![分类——离散值预测](https://img-blog.csdnimg.cn/57d8ffccc64a4c93a1原创 2022-01-25 14:52:45 · 1793 阅读 · 0 评论