随笔分类 - 课程笔记 / 机器学习笔记（吴恩达）
摘要：9.1 代价函数 此处重点讲解神经网络在分类问题中的应用。 假设有一个与左图类似的神经网络结构，再假设右边这些是训练集。 用L表示神经网络的总层数即L=4。 用sl来表示第l层的单元数（神经元的数量），其中不包括偏置单元，比如s1=3，s2=5，s4=sL=4 我们将会考虑两种分类问题： 第一种是二
阅读全文
摘要：8.1 非线性假设 假如有一个监督学习分类问题，其训练集如图所示。你可以构造一个包含很多非线性项的逻辑回归问题来解决这个问题，当多项式足够多时，你就可以得到可以将正负样本分开的假设。当只有两个特征x1x2时，这种方法的确能得到不错的效果，因为你可以把x1x2的所有组合都包含在多项式中。但许多机器学习
阅读全文
摘要：7.1 过度拟合 之前学习过的线性回归和逻辑回归在机器学习问题的应用当中，都会遇到过度拟合的问题，后面学习的正则化可以改善这个问题。 如上图，我们继续用线性回归预测房价的例子。第一个图，用一次函数的模型来拟合数据，很明显直线拟合的不是很好，我们称为欠拟合，或称这个算法具有高偏差 第二个图用二次函数拟
阅读全文
摘要：6.1 分类 我们开始讨论要预测的y是一个离散值情况下的分类问题。我们将开发一个逻辑回归算法（一个分类算法） 分类问题：例如将邮件分为是否是垃圾邮件，判断肿瘤是恶性还是良性等。 二元分类问题：非负即正非黑即白的问题，如上面的两个例子 多分类问题：即有多个结果的问题。 当我们用线性回归的方法处理这个问
阅读全文
摘要：4.1 多功能 当我们在预测某一个数值比如房价时，影响房价预测结果的往往不止房屋面积一项，而我们之前做的工作都是只有一个变量影响结果，现在扩展至多个变量 当变量扩展至n个时，假设函数中也多了与之对应的参数θ。此时我们再构造向量乘法时，发现有n个变量x，而却有n+1个参数θ。所以我们在构造X向量时，在
阅读全文
摘要：3.1矩阵和向量 3.2加法和标量乘法（数乘） 3.3 3.4矩阵/向量的乘法 显然，当我们用假设函数预测房价时，就可以根据假设函数中的变量关系构造出一个矩阵和向量的乘法，以方便在编程时计算大量数据。 同理，当一组数据需要用多个假设函数来预测时，可以构造矩阵乘法 3.5 矩阵乘法的性质 3.6 逆和
阅读全文
摘要：2.1模型描述 线性回归 这是一个监督学习预测房价的例子。之所以是监督学习，是因为每一个输入都有一个正确的输出与之对应，也就是每当我们给出房子的大小就知道房子的价格。同样这也是一个回归问题，回归是指我们预测一个具体的数值输出，也就是价格。另一种常见的监督学习问题被称为分类问题，我们用它来预测离散值的
阅读全文
