机器学习入门1

一，引言

1，机器学习定义：一个程序被认为能够从经验E中学习从而解决任务T，达到性能度量值P，当且仅当有了E后经过P评判，程序在处理T时有所提升。

2，监督学习：给定数据集中每个样本的正确结果，拟合数据，推测出一个连续值得结果。

监督学习的两种问题：回归——推测出连续值

                                     分类——推测出离散值

3，非监督学习：交给算法大量无标签的数据，并让算法为我们从数据中找出某种结构。

非监督学习的算法：聚类等

二、单变量线性回归

1，模型表示

一种可能的表达方式为：

只含有一个特征、输入变量，因此叫单变量线性回归问题。

2，代价函数

寻找合适参数（斜率和截距）。参数决定了建模误差（预测值与数据集中真实值的差距）。

用平方误差代价函数 选择出可以使建模误差平方和最小的模型参数。

平方误差函数是解决回归问题最常用的代价函数。

3，梯度下降

当越来越接近最小值，偏导将越来越小，学习幅度相应减小。

4，线性代数简述