Machine Learning课程笔记（二）
用梯度下降求解
观察可知与线性回归的更新方程是一样的，但是不同的是h(x).
求最优解的方法：
后三种方法运用某种方式每次迭代都选择最优的arpha
Muticlass regression
One-vs-all:对每一个类别训练一个分类器。
Over-fitting
Under-fitting（与high bias类似，每个输入的拟合结果都与实际情况有偏差）
Over-fitting（与high variance类似，相当于拼命拟合每个数据，所以在真实数据上当然会方差比较大）
当我们的变量很多但数据很少的时候，容易发生过拟合。
解决办法：
（1）人工减少特征
（2）正则化
Regularization
如果λ特别大的话，会使得模型欠拟合。（所有参数为0，除了θ0）
Gradientdescent(Linear regression)
NormalEquation
(矩阵是n+1 * n+1)
NeuralNetwork
看起来神经网络与logistic回归很类似，不同点只是在于logistic 回归使用特征值作为输入，神经网络使用隐藏的值作为输入.
Week5
NeuralNetwork
一般不将偏置项纳入正则化
- 发表于:
- 原文链接：http://kuaibao.qq.com/s/20180423G1I95W00?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
