- 博客(4)
- 资源 (1)
- 收藏
- 关注
原创 斯坦福大学机器学习笔记(4)-logistic回归
概念logistic回归,是输出为0或1的布尔值的回归,或者也可以为视为介于0和1之间的实数值的一个概率。 不能用线性的方式来表示logistic回归,因为很难用线性拟合,如下图所示,就很难用直线来拟合图中的采样点。 对于logistic回归,需要用一种不同于线性表达式的函数来拟合,而且函数的取值范围介于0和1之间。这样的函数定义如下。 g(z)=11+e−zg(z)=\frac{1}{1
2016-05-27 22:47:23 1157
原创 斯坦福大学机器学习笔记(3)--梯度下降及学习速度
线性回归中的梯度下降线性回归函数的形式如下: hθ=θ0+θ1x1+θ2x2h_{\theta}=\theta_0+\theta_1x_1+\theta_2x_2。 代价函数用方差来表示,被定义为: J(θ)=12mΣmi=1(θTx(i)−y(i))2J(\theta)=\frac{1}{2m}\Sigma_{i=1}^{m}(\theta^Tx^{(i)}-y^{(i)})^2。 式子中
2016-05-25 15:50:56 1720
原创 斯坦福大学机器学习笔记(2)
梯度下降(gradient descent)梯度下降利用迭代的方法,更新θ\theta参数,以提高回归问题中拟合的准确性。其步骤如下。以某个初值来初始化θ\theta,例如θ=(0.1,0.2,0.3)T\theta=(0.1, 0.2, 0.3)^T使用J(θ)J(\theta)来表示代价函数,不断更新其中θ\theta的值来最小化J(θ)J(\theta),对于θ\theta中的每个向量元素
2016-05-22 17:29:45 819
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人