1.监督学习与无监督学习
监督学习:监督学习是从标记的训练数据来推断一个功能的机器学习任务。通俗的讲就是分析训练数据,以此来对一个新的数据进行推断。
监督学习可以分为两类问题:回归与分类
无监督学习:相比于有监督学习,没有训练数据的过程。
2.代价函数
接下来是对这幅图进行解释,叉叉是我们的我们给出的训练数据的实际数值,而这条直线则是假设函数,尽量与数据点进行拟合,那么代价函数则是假设函数与实际值之间的误差。
y(i)是数据值,h(x)则是假设函数。那么代价函数越小则表明假设函数与实际数据拟合的越好。
3.梯度函数
对于代价函数,我们的目标就是使其越小越好。
以上是梯度下降算法,在上面提到的代价函数里面的两个参数,我们要找到使代价函数最小的两个参数,α是学习速度。
在上面框框中的数据,它的几何意义时这条线的斜率,而最低点就是我们所需要的最小值,而此时的斜率显然为0,还有一个特点我们看到当点越倾向于极值点时,它的斜率也就越倾向于0,那么θ1的变换就越小,当θ1不变时,那么此时的就是最小值。