摘要: 多分类问题 将邮件分为不同类别/标签:工作(y=1),朋友(y=2),家庭(y=3),爱好(y=4) 天气分类:晴天(y=1),多云天(y=2),下雨天(y=3),下雪天(y=4) 医学图示(Medical diagrams):没生病(y=1),感冒(y=2),流感(y=3) 二分类问题的示意图如下 阅读全文
posted @ 2018-10-26 20:16 qkloveslife 阅读(6610) 评论(0) 推荐(0) 编辑
摘要: 问题: 给出代价函数J(θ),需要最小化J(θ) 给出初始θ后,我们需要反复计算 \[J\left( \theta \right)\] \[\frac{\partial }{{\partial {\theta _j}}}J\left( \theta \right)\] 梯度下降算法: 重复{ \[{ 阅读全文
posted @ 2018-10-25 18:58 qkloveslife 阅读(359) 评论(0) 推荐(0) 编辑
摘要: 逻辑回归的代价函数 \[J\left( \theta \right) = - \frac{1}{m}[\sum\limits_{i = 1}^m {{y^{\left( i \right)}}\log \left( {{h_\theta }\left( {{x^{\left( i \right)}} 阅读全文
posted @ 2018-10-25 18:47 qkloveslife 阅读(432) 评论(0) 推荐(0) 编辑
摘要: 训练集:\[\left\{ {\left( {{x^{\left( 1 \right)}},{y^{\left( 1 \right)}}} \right),\left( {{x^{\left( 2 \right)}},{y^{\left( 2 \right)}}} \right),...,\left 阅读全文
posted @ 2018-10-25 18:22 qkloveslife 阅读(1585) 评论(0) 推荐(0) 编辑
摘要: 逻辑回归模型 如何定义hθ(x),使得0≤hθ(x)≤1 令 \[{h_\theta }(x) = g\left( {{\theta ^T}x} \right)\] 其中g(x)称为Sigmoid function或logistic function \[g\left( z \right) = \f 阅读全文
posted @ 2018-10-25 16:33 qkloveslife 阅读(345) 评论(0) 推荐(0) 编辑
摘要: 分类问题举例(Classification) Email: Spam / Not Spam? 判断邮件是不是垃圾邮件 Online Transactions: Fraudulent(Yes / No)? 在线交易是不是欺诈 Tumor: Malignant / Benign? 肿瘤是良性还是恶性 二 阅读全文
posted @ 2018-10-25 11:01 qkloveslife 阅读(243) 评论(0) 推荐(0) 编辑
摘要: Normal equation: Method to solve for θ analytically 正规方程:分析求解θ的方法 对于损失函数 \[J\left( {{\theta _0},{\theta _1},...,{\theta _n}} \right) = \frac{1}{{2m}}\ 阅读全文
posted @ 2018-10-23 22:39 qkloveslife 阅读(284) 评论(0) 推荐(0) 编辑
摘要: Features and Polynomial Regression We can improve our features and the form of our hypothesis function in a couple different ways. 我们可以通过几种不同的方式改进我们的特 阅读全文
posted @ 2018-10-23 21:15 qkloveslife 阅读(217) 评论(0) 推荐(0) 编辑
摘要: “Debugging”: How to make sure gradient descent is working correctly 怎样确保梯度下降算法正确的运行 迭代次数从100-200时,损失函数变化较大; 迭代次数从300-400时,损失函数变化不大,说明算法在300处开始收敛 通过画出损 阅读全文
posted @ 2018-10-23 20:17 qkloveslife 阅读(816) 评论(0) 推荐(0) 编辑
摘要: Feature Scalling Idea: Make sure features are on a similar scale 特征缩放 想法:确保所有的特征在相似的范围 为什么进行特征缩放? 例如:x1 = size (0-2000 feet2) x2 = number of bedrooms 阅读全文
posted @ 2018-10-22 21:45 qkloveslife 阅读(829) 评论(0) 推荐(0) 编辑