22版吴恩达机器学习课程笔记1

我是个可爱小白菜

已于 2024-02-28 17:09:14 修改

阅读量316

点赞数 10

文章标签：机器学习笔记人工智能

于 2024-02-28 16:59:22 首次发布

本文链接：https://blog.csdn.net/qq_46691654/article/details/136328198

版权

本文介绍了监督学习（包括回归和分类）的概念，强调了训练集的构成以及成本函数在优化中的作用。以线性回归模型为例，通过两个数据点展示了如何预测房价。同时提到了无监督学习的无标签特性，如聚类任务。

摘要由CSDN通过智能技术生成

1.监督学习：由已有的学习算法来进行预测，包括回归和分类

2.无监督学习：无标签的学习行为，不知道分类是否正确以及学习数据中潜在的规则。（如聚类）

监督学习中的训练集包括输入特征（features)和输出目标(targets)

3.监督学习的具体理解：

training set->learning algorithm->f(function)

x(特征）-> f -> y'(预测）

表示为： $fw,b(x)=wx+b$

成本函数： $J(w,b)=\frac{1}{2m}\sum_{i=1}^{m}(fw,b(x^{(i)})-y^{(i)})^{2}$ 画出不同w、b下的J的曲线，找出J最小的时候w和b的值。

4.线性回归模型的表示：

Problem Statement：As in the lecture, you will use the motivating example of housing price prediction.

Size (1000 sqft)	Price (1000s of dollars)
1.0	300
2.0	500

This lab will use a simple data set with only two data points - a house with 1000 square feet(sqft) sold for $300,000 and a house with 2000 square feet sold for $500,000. These two points will constitute our data or training set. In this lab, the units of size are 1000 sqft and the units of price are 1000s of dollars.

You would like to fit a linear regression model (shown above as the blue straight line) through these two points, so you can then predict price for other houses - say, a house with 1200 sqft.