摘要：
均值归一化可以让算法运行得更好。 现在考虑这样一个情况：一个用户对所有的电影都没有评分，即上图所示 的Eve用户。现在我们要学习特征向量（假设n=2） 以及用户5的向量θ(5),因为用户Eve没有对任何电影打分，所以前面的一项为0，只有后面正则化的项，所以影响θ取值的只有后面的θ的正则化的项。所以要 阅读全文
摘要：
如上图中的predicted ratings矩阵可以分解成X与ΘT的乘积，这个叫做低秩矩阵分解。 我们先学习出product的特征参数向量，在实际应用中这些学习出来的参数向量可能比较难以理解，也很难可视化出来，但是它们是做为区分不同电影的特征 怎么来区分电影i与电影j是否相似呢？就是判断X(i)与X 阅读全文
摘要：
协同过滤算法(collaborative filtering )：同时求θ与x的值 我们有了x的值，来估计θ的值； 我们有了θ的值，来估计x的值； 现在我们不想通过迭代的算法来求θ与x的值，我们想同时求x的值，将两个结合起来得到的代价函数如上图所示，在这个代价函数中，如果将x看作常数，则得到第一个代 阅读全文
摘要：
协同过滤(collaborative filtering )能自行学习所要使用的特征 如我们有某一个数据集，我们并不知道特征的值是多少，我们有一些用户对电影的评分，但是我们并不知道每部电影的特征（即每部电影到底有多少浪漫成份，有多少动作成份） 假设我们通过采访用户得到每个用户的喜好，如上图中的Ali 阅读全文
摘要：
如何对电影进行打分:根据用户向量与电影向量的内积 我们假设每部电影有两个features,x1与x2。x1表示这部电影属于爱情片的程度，x2表示这部电影是动作片的程度，如Romance forever里面x1为1.0（说明电影大部分为爱情），x2=0.01(说明里面有一点动作场面)。 还是像以前一样 阅读全文
摘要：
推荐系统很重要的原因：1》它是机器学习的一个重要应用2》对于机器学习来说，特征是非常重要的，对于一些问题，存在一些算法能自动帮我选择一些优良的features，推荐系统就可以帮助我们做这样的事情。 推荐系统的问题描述 使用电影评分系统，用户用1-5分给电影进行评分（允许评分在0-5之间，为了让在数学 阅读全文
摘要：
多元高斯(正态)分布 多元高斯分布有两个参数u和Σ,u是一个n维向量，Σ协方差矩阵是一个n*n维矩阵。改变u与Σ的值可以得到不同的高斯分布。 参数估计（参数拟合），估计u和Σ的公式如上图所示，u为平均值，Σ为协方差矩阵 使用多元高斯分布来进行异常检测 首先用我我们的训练集来拟合参数u和Σ，从而拟合模 阅读全文
摘要：
多元高斯分布(multivariate gaussian distribution)有一些优势也有一些劣势，它能捕获一些之前算法检测不出来的异常 一个例子：为什么要引入多元高斯分布 使用数据中心监控机器的例子，有两个features,x1:CUP Load, x2:Memory Use.将这两个fe 阅读全文
摘要：
如何构建与选择异常检测算法中的features 如果我的feature像图1所示的那样的正态分布图的话，我们可以很高兴地将它送入异常检测系统中去构建算法。 如果我的feature像图2那样不是正态分布的话，虽然我们也可以很好的运行算法，但是我们通常会使用一些转换方法，使数据看下来更像高斯分布，这样算 阅读全文
摘要：
异常检测算法先是将一些正常的样本做为无标签样本来学习模型p(x),即评估参数，然后用学习到的模型在交叉验证集上通过F1值来选择表现最好的ε的值，然后在测试集上进行算法的评估。这儿用到了带有标签的数据，那么为什么不直接用监督学习对y=1和y=0的数据进行学习呢？而是要用到异常检测算法（先对无标签数据进 阅读全文