机器学习
yeyustudy
这个作者很懒,什么都没留下…
展开
-
机器学习(一)
一、 目标:使用机器学习的方法解决实际问题 二、 如何使用? 实际问题分类: 1、监督学习:给定数据集以及正确的结果,通过训练来进行预测,或输出一个具体的值,或输出一个分类 2、非监督学习:给定一个数据集,通过算法来根据数据集的性质自动的分成几大类...原创 2018-06-16 10:40:52 · 143 阅读 · 0 评论 -
机器学习(四)
逻辑回归模型 其实质是分类问题 模型的选取:我们想要我们的输出在0到1之间,因此形式为:hθ(x)=g(θTx)hθ(x)=g(θTx){h_\theta }(x) = g({\theta ^T}x),其中,g(x)=11+e−xg(x)=11+e−xg(x) = \frac{1}{{1 + {e^{ - x}}}},即g(x)为sigmoid函数...原创 2018-07-18 17:11:54 · 100 阅读 · 0 评论 -
机器学习(二)
线性回归问题 怎么找到合适的模型 找到一条最合适的能够拟合数据的线,即一个线性或非线性方程,求出其参数,模型即可知。接下来的问题是,如何求这个参数? 随意给定几个参数,得到的模型跟最佳模型肯定有一定的误差,据此,我们可以定义一个代价函数,使这个代价函数最小,模型也就是最合适的一个。要想找到合适的参数,可以使用梯度下降法...原创 2018-07-15 10:32:48 · 98 阅读 · 0 评论 -
机器学习(三)
多变量的梯度下降算法 1、 公式:θj:=θj−α1m∑i=1m(hθ(x(i))−y(i))x(i)jθj:=θj−α1m∑i=1m(hθ(x(i))−y(i))xj(i){\theta _j}: = {\theta _j} - \alpha \frac{1}{m}\sum\limits_{i = 1}^m {({h_\theta }({x^{(i)}}) - {y^{(i)}})x_j^{(...原创 2018-07-15 13:45:29 · 150 阅读 · 0 评论 -
机器学习工程的三十个最佳实践
译自Andy Seow 不要使用机器学习。 尽你所能抓住每个唾手可得的机会;简单的启发式方法经常能解决你的问题;只有在用尽了简单的方法之后才可以使用机器学习。 不要使用深度学习。 你可以用一个简单的模型和良好的数据走的更远,只有在你用尽了较为简单的方法之后才尝试更复杂的模型。 基础设备第一,模型第二。 你的模型是怎样服务的?你使用了Flask或者Django吗?它满足AWS或者Heroku吗? ...原创 2019-04-20 09:52:51 · 375 阅读 · 0 评论