Week 1
基础概念
机器学习模型可分为Superviese learning(每个数据集给出了正确的值)和Unsupervised learning(数据集只有特征,没有对应正确的值)
机器学习处理的问题可以分为Regression回归问题(结果是real-valued output连续的值)和Classification问题 (结果是discrete-valued离散的值)
代价函数Cost function J ;平方差函数是回归问题中常用的代价函数[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xUrNcQSg-1578705555493)(/Users/ztx/Library/Application Support/typora-user-images/截屏2019-12-30下午4.39.03.png)]
Gradient descent 梯度下降用来最小化函数,比如最小化代价函数;原理:通过将每个参数不停减去“对应参数偏导数*学习速率“来同时更新每个参数,从而达到求得局部最小的函数值。
一些机器学习算法模型
线性回归算法linear regression
hypothesis 是一个通过一个training set + 机器学习算法训练出的模型 。
猜测:监督学习的关键是先找一个好traning set,合适的学习算法,然后通过训练最小化代价函数从而得到最适合的参数。
术语
- Data set = training set
- example
- Input = features
- output = target
- label
- Superviese learning
- Unsupervised learning
来源:CSDN
作者:z1xiang
链接:https://blog.csdn.net/z1xiang/article/details/103933313