吴恩达 machine Learning - 随笔分类(第2页) - cltt

第五次作业

摘要：function [J, grad] = linearRegCostFunction(X, y, theta, lambda) %LINEARREGCOSTFUNCTION Compute cost and gradient for regularized linear %regression wi 阅读全文

posted @ 2020-01-14 19:42 cltt 阅读(130) 评论(0) 推荐(0) 编辑

第六周第二部分

摘要：阅读全文

posted @ 2020-01-02 10:41 cltt 阅读(71) 评论(0) 推荐(0) 编辑

交叉验证集、正则化如何选择lambda（学习曲线:高偏差和高方差）

摘要：用测试集来拟和参数，也不是很公平如何选择学习曲线阅读全文

posted @ 2020-01-01 17:23 cltt 阅读(411) 评论(0) 推荐(0) 编辑

第四次编程作业

摘要：1 function g = sigmoidGradient(z) 2 %SIGMOIDGRADIENT returns the gradient of the sigmoid function 3 %evaluated at z 4 % g = SIGMOIDGRADIENT(z) compute 阅读全文

posted @ 2020-01-01 11:20 cltt 阅读(180) 评论(0) 推荐(0) 编辑

第五周第二部分

摘要：Theta1,2,3 和D1，2，3都是系数矩阵 thetaVec = [Theta1(:); Theta2(:);Theta3(:) ]; 里面:外面; 会把Theta1 ,Theta2,Theta3中的所有元素展开，形成一个向量thetaVec reshape 会把向量在恢复到矩阵Theta1, 阅读全文

posted @ 2019-12-28 21:51 cltt 阅读(189) 评论(0) 推荐(0) 编辑

BP算法

摘要：反向传播算法解释算法流程阅读全文

posted @ 2019-12-28 17:09 cltt 阅读(150) 评论(0) 推荐(0) 编辑

第三次作业

摘要：function [J, grad] = lrCostFunction(theta, X, y, lambda) %LRCOSTFUNCTION Compute cost and gradient for logistic regression with %regularization % J = 阅读全文

posted @ 2019-12-28 16:52 cltt 阅读(167) 评论(0) 推荐(0) 编辑

第四周第一部分

摘要：100 * 100 =10000 (10000)^2/2=5*10^7 用神经网络进行运算把-30改为-10 就成了OR 上面的陈述是错的阅读全文

posted @ 2019-12-22 11:34 cltt 阅读(113) 评论(0) 推荐(0) 编辑

第二次编程作业

摘要：function plotData(X, y) %PLOTDATA Plots the data points X and y into a new figure % PLOTDATA(x,y) plots the data points with + for the positive exampl 阅读全文

posted @ 2019-12-21 20:33 cltt 阅读(158) 评论(0) 推荐(0) 编辑

第三周第四部分

摘要：阅读全文

posted @ 2019-12-21 15:06 cltt 阅读(141) 评论(0) 推荐(0) 编辑

多类别分类、过拟合、正则化

摘要：多类别分类过拟合问题正则化 J(theta) = theta0 欠拟合阅读全文

posted @ 2019-12-18 14:21 cltt 阅读(324) 评论(0) 推荐(0) 编辑

逻辑回归--梯度下降

摘要：梯度计算过程如下：线性回归：逻辑回归优化使梯度下降进行逻辑回归的速度提高，适合数据比较大 >> options = optimset('GradObj','on','MaxIter','100'); >> initialTheta = zeros(2,1) initialTheta = 0 阅读全文

posted @ 2019-12-16 21:23 cltt 阅读(277) 评论(0) 推荐(0) 编辑

分类、逻辑回归

摘要：分类、逻辑回归分类问题只有0和1，没有什么threshold h(x, )是[0,1] 阅读全文

posted @ 2019-12-15 21:33 cltt 阅读(152) 评论(0) 推荐(0) 编辑

第一次编程作业

摘要：function A = warmUpExercise() %WARMUPEXERCISE Example function in octave % A = WARMUPEXERCISE() is an example function that returns the 5x5 identity m 阅读全文

posted @ 2019-12-15 11:04 cltt 阅读(164) 评论(0) 推荐(0) 编辑

第二周第五部分

摘要：循环 >> v = zeros(10,1)v = 0 0 0 0 0 0 0 0 0 0 >> for i=1:10,> v(i) = 2^i;> end;>> vv = 2 4 8 16 32 64 128 256 512 1024 >> indices=1:10; >> indices indi 阅读全文

posted @ 2019-12-14 19:48 cltt 阅读(257) 评论(0) 推荐(0) 编辑

第二周第四部分

摘要：>> AA = 1 2 10 3 4 12 5 6 15 B = 2 1 3 4 2 3 6 3 3 >> A .* B % Cij = Aij*Bij，行列数目都要一致ans = 2 2 30 12 8 36 30 18 45 >> A*B%矩阵乘法ans = 70 35 39 94 47 57 阅读全文

posted @ 2019-12-12 16:20 cltt 阅读(130) 评论(0) 推荐(0) 编辑

第二周第三部分

摘要：>> A = [1 2;3 4;5 6] A = 1 2 3 4 5 6 >> A(3,2) ans = 6 >> A(2,:) %该行或列的所有元素 ans = 3 4 >> A(:,2) ans = 2 4 6 >> A([1 3], :) %取第一、三行的元素 ans = 1 2 5 6 >> 阅读全文

posted @ 2019-12-12 11:05 cltt 阅读(138) 评论(0) 推荐(0) 编辑

第二周第二部分

摘要：1&&0 %AND 1 ||0 % OR octave:6> PS1('>> '); >> octave:1> 5+6 ans = 11 octave:2> 1==2 ans = 0 octave:3> 1==2 %false %XXX %为注释 ans = 0 octave:4> 1~=2 %表示阅读全文

posted @ 2019-12-10 20:48 cltt 阅读(311) 评论(0) 推荐(0) 编辑

特征缩放和标准化设置学习率大小正则方程

摘要：标准化到相近的范围即可这是因为θ在小范围内下降很快，在大范围内下降很慢，所以当变量非常不均匀时，θ会低效率地振荡到最优。(特征都在一个相近的范围，这样梯度下降法就能更快的收敛) 用X轴上的迭代次数绘制一个图。现在绘制成本函数，J（θ）在梯度下降迭代次数上。如果J（θ）增大，那么可能需要减小α。总阅读全文

posted @ 2019-12-09 20:44 cltt 阅读(200) 评论(0) 推荐(0) 编辑

梯度下降 coursera.org

摘要：即使J（，）=0,也不能是完美估计，因为其他数据可能存在误差取任何颜色并沿着“圆”走，就可以得到相同的成本函数值,右图三个点的J（，）相同越靠近圆心，J(,)越小梯度下降算法可以将代价函数J（）最小化。 J（1,2）改变1,2来最小化J（1,2）梯度下降算法不一定可以找到全局最小值事实证阅读全文

posted @ 2019-12-05 12:28 cltt 阅读(192) 评论(0) 推荐(0) 编辑

随笔分类 - 吴恩达 machine Learning