最近在学习《机器学习实战：基于Scikit-Learn和TensorFlow》，这里把之前的一些基础知识点进行了总结。对于一个线性函数：y^=hθ(x)=θ⋅x\hat{y}=h_{\theta}(\mathbf{x})=\boldsymbol{\theta} \cdot \mathbf{x}y^=hθ(x)=θ⋅x为提高函数的泛化能力，我们需要定义其损失函数，并将之尽可能降到最小。这里我们使用MSE作为损失函数。MSE(X,hθ)=1m∑i=1m(θ⊤x(i)−y(i))2\operator
最近在学习《机器学习实战：基于Scikit-Learn和TensorFlow》，这里把之前的一些基础知识点进行了总结。
对于一个线性函数：
y ^ = h θ ( x ) = θ ⋅ x \hat{y}=h_{\theta}(\mathbf{x})=\boldsymbol{\theta} \cdot \mathbf{x} y^=hθ(x)=θ⋅x
为提高函数的泛化能力，我们需要定义其损失函数，并将之尽可能降到最小。这里我们使用MSE作为损失函数。
MSE ( X , h θ ) = 1 m ∑ i = 1 m ( θ ⊤ x ( i ) − y ( i ) ) 2 \operatorname{MSE}\left(\mathbf{X}, h_{\boldsymbol{\theta}}\right)=\frac{1}{m} \sum_{i=1}^{m}\left(\boldsymbol{\theta}^{\top} \mathbf{x}^{(i)}-y^{(i)}\right)^{2} MSE(X,hθ)=m1i=1∑m(θ⊤x(i)−y(i))2
进一步计算可得：
θ ^ = ( X ⊤ X )
最低0.47元/天 解锁文章
5330
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
