上一页 1 ··· 3 4 5 6 7 8 9 10 11 ··· 28 下一页

2015年6月30日

摘要: 正则化的提出,是因为要解决overfitting的问题。以Linear Regression为例:低次多项式拟合的效果可能会好于高次多项式拟合的效果。这里回顾上上节nonlinear transform的课件:上面的内容说的是,多项式拟合这种的假设空间,是nested hypothesis;因此,能... 阅读全文
posted @ 2015-06-30 20:10 承续缘 阅读(530) 评论(0) 推荐(0) 编辑

2015年6月28日

摘要: 首先明确了什么是Overfitting随后,用开车的例子给出了Overfitting的出现原因出现原因有三个:(1)dvc太高,模型过于复杂(开车开太快)(2)data中噪声太大(路面太颠簸)(3)数据量N太小(知道的路线太少)这里(1)是前提,模型太复杂:(1)模型越复杂,就会捕获train da... 阅读全文
posted @ 2015-06-28 22:18 承续缘 阅读(595) 评论(0) 推荐(0) 编辑
摘要: 关注了Q18~Q20三道编程作业题。这三道题都与Logistic Regression相关。Q18~19是用全量梯度下降实现Logistic Regression;Q20要求用随机梯度下降实现Logistic Regression。这三题的代码都何在一个py文件中了。个人觉得,这道题的程序设计,完全... 阅读全文
posted @ 2015-06-28 15:19 承续缘 阅读(1576) 评论(1) 推荐(0) 编辑

2015年6月27日

摘要: 题目:第一次刷的时候漏掉了这道题。Given a sorted linked list, delete all duplicates such that each element appear onlyonce.For example,Given1->1->2, return1->2.Given1-... 阅读全文
posted @ 2015-06-27 22:15 承续缘 阅读(155) 评论(0) 推荐(0) 编辑
摘要: 首先回顾了几个Linear Model的共性:都是算出来一个score,然后做某种变化处理。既然Linear Model有各种好处(训练时间,公式简单),那如何把Linear Regression给应用到Classification的问题上呢?到底能不能迁移呢?总结了如下的集中Linear Mode... 阅读全文
posted @ 2015-06-27 11:03 承续缘 阅读(792) 评论(0) 推荐(0) 编辑

2015年6月26日

摘要: 这里提出Logistic Regression的角度是Soft Binary Classification。输出限定在0~1之间,用于表示可能发生positive的概率。具体的做法是在Linear Regression的基础上,再加一层Logistic Function,限定住输出的取值。完成了hy... 阅读全文
posted @ 2015-06-26 12:50 承续缘 阅读(951) 评论(0) 推荐(0) 编辑

2015年6月24日

摘要: 这一节开始讲基础的Linear Regression算法。(1)Linear Regression的假设空间变成了实数域(2)Linear Regression的目标是找到使得残差更小的分割线(超平面)下面进入核心环节:Linear Regression的优化目标是minimize Ein(W)为了... 阅读全文
posted @ 2015-06-24 20:42 承续缘 阅读(974) 评论(0) 推荐(0) 编辑

2015年6月23日

摘要: 作业一被bubuko抓取了,要是能注明转载就更好了(http://bubuko.com/infodetail-916604.html) 作业二关注的题目是需要coding的Q16~Q20 Q16理解了一段时间,题目阐述的不够详细。理解了题意之后,发现其实很简单。 理解问题的关键是题目中给的's'是啥 阅读全文
posted @ 2015-06-23 17:44 承续缘 阅读(3065) 评论(1) 推荐(1) 编辑

2015年6月22日

摘要: http://beader.me/mlnotebook/section2/noise-and-error.html上面这个日志总结的已经很好了。这一章的内容,在后面具体的算法中cost function体会更好一些。没必要过于纠结。 阅读全文
posted @ 2015-06-22 21:52 承续缘 阅读(381) 评论(0) 推荐(0) 编辑

2015年6月19日

摘要: 首先回顾上节课末尾引出来的VC Bound概念,对于机器学习来说,VC dimension理论到底有啥用。三点:1. 如果有Break Point证明是一个好的假设集合2. 如果N足够大,那么Ein跟Eout的表现会比较接近3. 如果算法A选的g足够好(Ein很小),则可能从数据中学到了东西====... 阅读全文
posted @ 2015-06-19 20:30 承续缘 阅读(1292) 评论(0) 推荐(0) 编辑
上一页 1 ··· 3 4 5 6 7 8 9 10 11 ··· 28 下一页

导航