机器学习

一、机器学习的概念：个程序被认为能从经验E中学习，解决任务T，达到性能度量值P，当且仅当，有了经验E后，经过P评判，程序在处理T时的性能有所提升

监督学习（supervised ）：（又分为回归问题和分类问题）监督学习。其基本思想是，我们数据集中的每个样本都有相应的“正确答案”。再根据这些样本作出预测，就像房子和肿瘤的例子中做的那样。我们还介绍了回归问题，即通过回归来推出一个连续的输出，之后我们介绍了分类问题，其目标是推出一组离散的结果。

无监督学习：不同于监督学习的数据的样子，即无监督学习中没有任何的标签或者是有相同的标签。所以我们已知数据集，却不知如何处理，也未告知每个数据点是什么，就是一个数据集。你能从数据中找到某种结构吗？针对数据集，无监督学习就能判断出数据有两个不同的聚集簇。这是一个，那是另一个，二者不同。是的，无监督学习算法可能会把这些数据分成两个不同的簇。所以叫做聚类算法。

二、单变量线性回归(Linear Regression with One Variable)

2.1 模型表示

我将在整个课程中用小写的来表示训练样本的数目。

以之前的房屋交易问题为例，假使我们回归问题的训练集（Training Set）如下表所示：

 

 

我们将要用来描述这个回归问题的标记如下:

 m代表训练集中实例的数量

 x代表特征/输入变量

 y代表目标变量/输出变量

 （x，y）代表训练集中的实例

 （xi，yi）代表第 个观察实例

 h代表学习算法的解决方案或函数也称为假设（hypothesis）

 

 

这就是一个监督学习算法的工作方式，我们可以看到这里有我们的训练集里房屋价格 我们把它喂给我们的学习算法，学习算法的工作了，然后输出一个函数，通常表示为小写 h 表示。 代表hypothesis(假设)，表示一个函数，输入是房屋尺寸大小，就像你朋友想出售的房屋，因此  h根据输入的 x值来得出y  值， 值对应房子的价格 因此，h 是一个从x 到  y的函数映射。

我将选择最初的使用规则代表hypothesis，因而，要解决房价预测问题，我们实际上是要将训练集“喂”给我们的学习算法，进而学习得到一个假设，然后将我们要预测的房屋的尺寸作为输入变量输入给，预测出该房屋的交易价格作为输出变量输出为结果。那么，对于我们的房价预测问题，我们该如何表达 ？

一种可能的表达方式为：，因为只含有一个特征/输入变量，因此这样的问题叫作单变量线性回归问题。

 

2 、单变量线性回归(Linear Regression with One Variable)

2.1  模型表示

以之前的房屋交易问题为例，假使我们回归问题的训练集（Training Set）如下表所示：