![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CS229
关于吴恩达老师CS229机器学习课程个人笔记
sxx01
这个作者很懒,什么都没留下…
展开
-
CS229第五课——支持向量机
CS229第五课支持向量机1 间隔 支持向量机 1 间隔 首先考虑逻辑回归模型hθ(x)=11+exp(−θTx)h_{\theta}(x)=\frac{1}{1+exp(-\theta^Tx)}hθ(x)=1+exp(−θTx)1,当hθ(x)≥0.5h_{\theta}(x)\ge0.5hθ(x)≥0.5时我们预测的标签为1, ...原创 2020-06-05 22:33:21 · 263 阅读 · 0 评论 -
CS229第四课——生成学习算法
CS229第四课生成学习算法1 高斯判别分析1.1 多元高斯分布1.2 高斯判别分析模型1.3 讨论:GDA与逻辑回归2 朴素贝叶斯 生成学习算法 目前我们讨论的算法都是在给定xxx的情况下求解yyy的分布情况,即p(y∣x;θ)p(y|x;\theta)p(y∣x;θ),例如逻辑回归算法,接下来我们会讨论一种不同类型的算法。 我们首先讨论二分类问题,对于给定的数据集,逻辑回归算法或感知器算法会寻找一条直线来对这些数据进行划分。而对于另一种算法,我们会先针对y=0y=0y=0的类别进行建模,然后再针对y=1原创 2020-06-04 13:21:03 · 188 阅读 · 0 评论 -
CS229第三课——广义线性模型
CS229第三课广义线性模型1 指数族2 构造GLM2.1 普通最小二乘法2.2逻辑回归2.3 Softmax回归 广义线性模型 我们已经学习了线性回归和逻辑回归模型,在这两种模型中,我们分别假设线性模型y∣x;θ∼N(μ,σ2)y|x;\theta \sim \mathcal{N}(\mu, \sigma^2)y∣x;θ∼N(μ,σ2)和逻辑回归模型y∣x;θ∼Bernoulli(ϕ)y|x;\theta \sim Bernoulli(\phi)y∣x;θ∼Bernoulli(ϕ),其中将参数μ\muμ和原创 2020-06-02 13:16:56 · 223 阅读 · 0 评论 -
CS229第二课——分类与逻辑回归
CS229第二课分类与逻辑回归1 逻辑回归2 感知器算法3 另一种最大化l(θ)的算法l(\theta)的算法l(θ)的算法 分类与逻辑回归 与回归问题相似,但标签数据yyy不是连续值,而是离散值,我们首先考虑二分类问题,其中的标签数据yyy的值为0或1。 1 逻辑回归 对于逻辑回归,因为标签数据y∈{0,1}y \in \{0,1\}y∈{0,1},因此对于我们预测的输出值应该位于0到1之间,如果我们直接使用之前的线性方程,无法构建一个良好的模型。为了解决这个问题,我们选择的模型为 hθ(x)=g(θ原创 2020-05-30 12:09:49 · 283 阅读 · 0 评论 -
CS229第一课——线性回归
这里写自定义目录标题监督学习新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 监督学习 假设我们有47个房子的居住面积和售卖价格,如下所示。 给定这样的数据信息,我们需要如何来预测房子的价格? 为了方便后续的描述,我们定义原创 2020-05-29 12:54:34 · 428 阅读 · 0 评论