机器学习 ¶

简介 ¶

监督学习 ¶

定义
x -> y
依靠给定x y进行学习，试图得到映射关系，并对未见过的数据进行预测输出结果

回归 ¶

定义：从无数数据中学习预测一个数字，本质是预测映射函数

分类 ¶

可以理解成数字量（离散的有限的）

定义：预测种类

一般来说，输入量的种类越多，识别的就越精确

无监督学习 ¶

聚类 ¶

获取没有标签的数据并尝试自动将其分组到集群中

线性回归模型 ¶

监督模型 ¶

代价函数 ¶

代价函数 (Cost Function)

平方误差代价函数应用最广

cost function 最小解

梯度下降 ¶

\(\alpha\) : learning rate

w、b 同时更新

梯度下降的作用原理

向量化 ¶

特征缩放：

不同特征值取值范围差异过大，可以通过特征缩放来改变，避免梯度下降时搜寻时间过长，曲线曲折

• Feature scaling: 除以最大值
• Mean normalization: \(x = \frac{x - \mu}{max - min}\)
• Z-score normalization: \(x = \frac{x -\mu}{\sigma}\)

评论