sherri_du的博客

支持向量机通俗导论（理解SVM的三层境界） 作者：July、pluskid ；致谢：白石、JerryLead 出处：结构之法算法之道blog。 前言     动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清

#include "stdio.h" #include "math.h"    double x[6][4]={{1.0,47.0,76.0,24.0}, //include x0=1               {1.0,46.0,77.0,23.0},               {1.0,48.0,74.0,22.0},               {1.0,34.0,76

batch gradient descent（批量梯度下降）   #include int main() {  //如何求y=2x^2极小值  int i;  double x=-2.0,a=0.05;  for(i=1;i     x=x-a*4*x;     printf("%lf\t",x);  } //如何求解x=[x1,x2]使y=5x1^2+6x2^2+7

在前面的logistic regression博文Deep learning：四(logistic regression练习) 中，我们知道logistic regression很适合做一些非线性方面的分类问题，不过它只适合处理二分类的问题，且在给出分类结果时还会给出结果的概率。那么如果需要用类似的方法（这里类似的方法指的是输出分类结果并且给出概率值）来处理多分类问题的话该怎么扩展呢？本次要讲

二分类logistics回归的时候，我们用了一个theta，其中theta是n维，n取决于样本x有几维 以此类推，当三分类softmax的时候，我们就用两个theta，一个是划分为1的theta，一个是划分为2的theta，一个是1减去他俩 所以说，theta1就代表了分类里，结果为第一类的作用的那个theta。theta2代表第二类作用为2的那个theta 因此，我