機器學習分類：回歸，分類
回歸：最終得到的是在乙個區間上真正(實際)的值
分類：最終得到的是個邏輯值0/1，是與不是，能與不能之類的答案
名詞解釋：
擬合：擬合就是把平面上一系列的點，用一條光滑的曲線連線起來。因為這條曲線有無數種可能，從而有各種擬合方法。擬合的曲線一般可以用函式表示，根據這個函式的不同有不同的擬合名字。
最小二乘法：最小二乘法（又稱最小平方法）是一種數學
優化技術。它通過最小化誤差的平方和尋找資料的最佳
函式匹配。利用最小二乘法可以簡便地求得未知的資料，並使得這些求得的資料與實際資料之間誤差的平方和為最小。最小二乘法還可用於
曲線擬合
。其他一些優化問題也可通過最小化能量或最大化熵用
最小二乘法
來表達回歸問題舉例：
對問題進行數學化：
x1，x2就是我們的兩個特徵值（年齡，工資），而y是最終銀行會借給我們多少錢。
需要解決的問題就是：找到一條來最好擬合我們資料的點。
最終得到的整合的h(x）主要是為了使資料看起來更加的整齊，也方便以後的矩陣運算。
誤差分析：
誤差三個特性：獨立，同分布，高斯分布
似然函式求解：
eg:簡化運算：log(ab) = loga + logb
目標函式求解：求j(0)的最小值 注意：樣本服從高斯分布且獨立，其最大似然估計就可以用最小二乘形式表示。
x,y為已知的資料，即可求得佘塔
評估方法：
來自為知筆記(wiz)
01 線性回歸
import keras import numpy as np import matplotlib.pyplot as plt from keras.models import sequential 按順序構成的模型 如一層層構成的神經網路 from keras.layers import dens...
01 線性模型 線性回歸與邏輯回歸
線性模型 試圖學得乙個屬性的線性組合來進行 的函式 f x w 1x 1 w 2x 2 w dx d b 向量模式 f x w tx b 簡單 基本 可解釋性好 可看出每部分屬性所做的貢獻 可用於分類和回歸 多個特徵 h x sum theta ix i theta tx 損失函式mse j the...
線性回歸演算法
1 有監督學習 supervised learning 不僅把訓練資料丟給計算機，而且還把分類的結果 資料具有的標籤 也一併丟給計算機分析。計算機進行學習之後，再丟給它新的未知的資料，它也能計算出該資料導致各種結果的概率，給你乙個最接近正確的結果。由於計算機在學習的過程中不僅有訓練資料，而且有訓練結...