机器学习（第1，2章）

监督学习

监督学习的样本集是既有特征也有结果的数据，即已知输入与输出值。数据集中包含正确答案。
1、回归问题（Regression problem）：预测出连续的输出值。
例如：关于房子出售价格的数据集（房屋面积，房价）。数据集中已有房子售卖的正确价格，算法的目的是给出更多正确答案（预测的作用）
2、分类
输出结果是离散值

无监督学习

无监督学习的数据集有输入值但是没有输出值，目标是找到数据集的底层结构，根据相似性对数据进行分类，并以压缩的格式表示数据集。（聚类算法）

代价函数

1、定义：
找到最优解的目的函数
2、原理：
最常用的是平方误差代价函数

用平方误差代价函数来找到最优解。其主要思想是奖实际真实值与我们拟合出的线的对应值做差。
前面有乘1/2是为了后来求导产生的2消掉方便计算，而最优解即为代价函数的最小值。
多维情况下求偏导

梯度下降法

梯度下降法是一种较为常用的求最优参数的方法之一。
1、算法思想
从参数的某个值开始，保持该值持续减小，如果是一组值要保持同步更新，直到找到最小值
过程就像是下山，边走边看边找最近的距离，选择梯度最大的路径。


线性回归的代价函数是凸函数
2、更新规则

α是学习率，类似于下山的步伐的大小。
由公式可知，这是借助偏导数使越接近最低点的时候收敛速度越慢。当收敛于最低点时，偏导数为0，就会停止更新，也就找到了最优解。
3、同步更新
正确：

错误：

线性回归的梯度下降

代价函数：

线性回归方程：

使用梯度下降法经过计算之后得到的偏导数为：

所以更新规则为：