weixin_43407273的博客

一、频率派线性回归 1、单变量的线性回归 数据集为最简单的一种情形，一个一维输入对应一个一维输出，所以训练数据集可以表示为如下： (x1,t1),(x2,t2),,,,,(xn,tn)一共N个数据(x_1,t_1),(x_2,t_2),,,,,(x_n,t_n)一共N个数据(x1​,t1​),(x2​,t2​),,,,,(xn​,tn​)一共N个数据 单变量线性回归的模型: y=θ0+θ1∗xy=\theta_0+\theta_1*xy=θ0​+θ1​∗x 所以说我们的目标就是，找到合适的θ\thetaθ使

混合高斯模型和EM算法 一、单个一维高斯参数学习   数据集X={x1,x2.......xNx_1,x_2.......x_Nx1​,x2​.......xN​},参数为θ={μ，σ2σ^2σ2},图像为：   一维高斯函数的分布如下所示： p(x)=12πσexp(12σ2(x−μ)2)(1.1) \begin{aligned} p(x)=\frac{1}{\sqrt {2π}σ}exp(\frac{1}{2σ^2}(x-μ)^2) \tag{1.1}\\ \end{aligned} p(x)=2π.