包括分類，回歸等問題模型。
簡單來說，在有監督學習中， 所有的資料都會被 打上標籤，基於已知的資料集， 進行訓練，然後使用訓練好的模型去**未知的資料集的 結果。
包括聚類，關聯規則等問題模型。
無監督學習中的資料是沒有標籤的，只能通過一些計算去學習 一些未知的知識。比如聚類演算法中依靠計算距離最近的點，將其分為自己那一類。這個過程是自己學的，資料本身並沒有告訴他每乙個點屬於哪乙個類別。
如下圖所示，我們以下圖的場景進行舉例
我們想知道額度（y）與工資（theta1）和年齡（theta2）之間究竟有何線性關係，首先我們要列出線性方程。這個讀過高中應該都不難。
其中theta0是乙個偏向，類似於y = wx+b中的b
那麼，我們 想要通過線性回歸去不斷求出最好的theta值，我們需要構建它的損失函式
線性模型下1個二維樣本點的mse損失為（以y=wx+b為例，沒什麼差別，就是少了個引數，方便一點）：
線性模型下n個 二維樣本點的mse損失為：
其中，wx+b 是我們所定的線性回歸方程，這個方程的w和b的值是需要不斷去更新的，具體如何更新接下來我們會說。我想說，真實值y我們是知道的，那麼我們的w和b怎麼樣是最好的呢？是wx+b的值和真實的y值之間的差要盡可能小，這樣證明我們擬合的曲線是正確的。所以現在就變成了求f(w,b) = wx+b - y這個方程的最小值。（x,y）值我們都是有的，這就是線性回歸的本質思想。關鍵就在於，損失函式f出來之後，你要立馬反應出來這是乙個關於w,b的函式，而不是x,y的函式。
機器學習（1） 線性回歸
無正則的線性回歸模型 l1正則的lasso模型 l2正則的ridge regression 嶺回歸 模型 開方均方誤差 rooted mean squared error，rmse 平均絕對誤差 mean absolute error，mae 1.生成學習器例項 lr linearregressio...
機器學習 1 線性回歸
2 linear regression with multiple variables multivariate linear regression 多變數線性回歸 3 gradient descent in practice 3.2 learning rate 3.3 features and p...
機器學習之1 線性回歸
在最近一段時間，對機器學習進行了學習，但感覺效果不是很好。一日與朋友聊起此事，他建議建個部落格，一來梳理一下所學內容，二來和大家一起學習交流。因此，建立了此部落格，如果您發現博文中有不當之處，歡迎您來郵指明，我的郵箱為212352807 qq.com 在機器學習中，基本分為兩大問題 監督學習 sup...