假設特徵服從正態分佈，通過計算整體概率判斷是否小於某個值，從而判斷是不是正常的。
estimategaussian.m
%estimate parameters
mu = sum(x) / m;
m_add = zeros(n-1,n);
mu_tmp = [mu;m_add];
mu_tmp = ones(m,n) * mu_tmp;
sigma2 = sum((x - mu_tmp).^2) / m;
yval_true = find(yval == 1);
yval_false = find(yval == 0);
p_true = find(pval <= epsilon);
p_false = find(pval > epsilon);
%actual class = 1 predicted class = 1
truepositive = size(intersect(yval_true,p_true),1);
%actual class = 0 predicted class = 1
falsepositive = size(intersect(yval_false,p_true),1);
%actual class = 1 predicted class = 0
falsenegative = size(intersect(yval_true,p_false),1);
precision = truepositive / (truepositive + falsepositive);
recall = truepositive / (truepositive + falsenegative);
f1 = 2*precision*recall / (precision + recall);
coficostfunc.m
program 1----for-loop
j = 0.5 * sum(sum(r.*((x*theta'-y).^2))) + (lambda/2)*(sum(sum(theta.^2)) + sum(sum(x.^2)));
for i = 1:num_movies
idx = find(r(i,:) == 1);
theta_temp = theta(idx,:);
y_temp = y(i,idx);
a = x(i,:);
t = (x(i,:) * theta_temp' - y_temp);
x_grad(i,:) = (x(i,:) * theta_temp' - y_temp) * theta_temp + lambda*x(i,:);
endfor i = 1:num_users
idx = find(r(:,i) == 1); %every for all movies
theta_grad(i,:) = (x(idx,:)*theta(i,:)' - y(idx,i))' * x(idx,:) + lambda*theta(i,:);
end
j = (1 / 2) * sum(sum(((x * theta' - y) .* r) .^ 2));
j = j + (lambda / 2) * sum(sum(theta .^ 2)) + ...
(lambda / 2) * sum(sum(x .^ 2));
x_grad = ((x * theta' - y) .* r) * theta + lambda * x;
theta_grad = ((x * theta' - y) .* r)' * x + lambda * theta;
吳恩達機器學習 程式設計練習7
本練習的主題是k means clustering and principal component analysis，即k均值聚類演算法和主要成分分析。因此這篇文章也分兩部分來討論，根據作業檔案的步驟來分別對k均值聚類演算法和pca進行討論原理以及如何實現。k means clustering al...
吳恩達機器學習 程式設計練習 ex6 1
本節練習是為了應用svm演算法，並靈活運用c和gamma引數 首先load資料集並plot part1 讀取資料1，並將資料整理成可識別的格式 path c users huanuo pycharmprojects ml ex6 svm ex6 ex6data1.mat m loadmat path...
吳恩達機器學習筆記
為了解決實際生活中的問題，我們通常需要乙個數學模型。比如，小明有乙個房子 他想賣掉房子 為了知道房子的 小明收集了該地區近兩年的房屋交易 他發現房屋 與房屋大小呈正相關，所以他畫了了一幅圖 小明的房屋大小用紅色的 代替。可見和小明房屋一樣大小的房子並不存在，而類似的房屋 又有很大差別，如此小明決定用...