- 博客(3)
- 收藏
- 关注
RSS订阅原创 机器学习P3.1~4.2学习记录
1.矩阵与向量： 在矩阵A中，代表此元素在第i行，第j列。 矩阵可以快速整理，索引和访问大量数据。 在向量A中，可以看作是阶矩阵。 记向量为y,则y中存在的元素可表示为：。 2.关于矩阵和向量的加减乘运算，特别提出乘法运算： A 例： （阶矩阵）=（阶矩阵）=（阶矩阵），观察此式引出矩阵或向量乘法结论：（阶矩阵）（向量）=（向量） 3.对于一些情况（如：知道数据集和假设函数） 计算的预测值=数据矩阵【数...
2021-11-21 16:05:56
1269
原创 机器学习P2.3~2.7学习记录
1.代价函数（1） 将下方内容简化讨论： 假设函数： 模型参数： 代价函数： 目标： 将上面简化成为： 假设函数: 模型参数： 代价函数： 目标： 由此讨论： 假设有一个训练集【（1，1），（2，2），（3，3）】 分别取的值进行运算，将其带入代价函数来运算，例：分别取1，0.5，0，得出的值为0，0.58，2.3。将的函数图像画出来，得出=0，=1。 2.代价函数（2） 由一个模型参数引申到两个模型参数...
2021-11-08 21:21:46
394
原创 机器学习P1.1~2.2学习记录
1.Tom Mitchell提出机器学习的定义： 计算程序从经验E中学习，解决某一任务T，这个效果的好坏用性能用P来衡量。通过P测定在T上表现因经验E而提高。 例：对于跳棋游戏，经验E就是程序与自己下几万次跳棋，任务T就是玩跳棋，性能度P就是与新对手玩跳棋时赢的概率。 2.机器学习分为： ——监督学习 ——无监督学习 ——其他包括：增强学习、推荐系统 3.监督学习（每个样品都被明确标明，被清楚的告知了“正确答案”与“错误答案”） 给算法一个数据集，其中包括了正确答案，例： ...
2021-10-31 20:11:32
474
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人