![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 59
懵比小白
这个作者很懒,什么都没留下…
展开
-
吴恩达机器学习笔记 第三课
局部加权回归 区别“参数”学习和“非参数”学习: 参数化学习:算法的目的是习得参数具体的值,参数的数量不变。 非参数化学习:参数的数量随数据量(线性)增大,相当于最终结果保存了训练集。 局部加权回归是一种非参数化学习,即保存训练数据,在预测新数据时,给接近输入的那些数据更高的权重,用它们来产生模型参数,再代入求解。 精确来说: 我们改变了代价函数,相较于普通的线性回归,加上了权重 如果比较小(x是要预测的数据),则上式接近于1。如果比较大,则上式接近于0。可见,只有接近的数据会被用来做预原创 2021-01-22 13:04:48 · 133 阅读 · 0 评论 -
吴恩达机器学习笔记 第二课
符号表示 假设h(x):将输入映射到输出的函数,学习的目标是得出该函数。 训练集X:输入矩阵(设计矩阵,design matrix),x表示一个训练例列 向量。 训练集大小m:训练集合中有多少训练例,即X的列数。 特征数n:每个训练例有多少特征,即X的行数(或行数减一,见后文)。 目标Y:训练例的答案 参数θ:决定h的参数 线性回归 决定θ使得预测 的误差(代价函数) 最小。 (假设x0=1) 梯度下降 不断更新θ,使得J不断趋近最小值的过程。 α为步长系数...原创 2021-01-22 13:04:56 · 158 阅读 · 0 评论