0
点赞
收藏
分享

微信扫一扫

机器学习随笔

T task 任务

P performance measure P 度量系数

E experience 经验

监督学习

回归 与 分类问题

连续 离散

无监督学习

没有标签的分类

例如新闻分类 将相关的新闻都放在一起

聚类算法

鸡尾酒会问题

麦克风中两个声音进行分离

代价函数

parameter 是函数的参数

要做的就是得到参数值 让函数尽可能拟合数据

在参数更新过程中要让损失函数降低

回归常用平方误差函数——》二分之一差的平方

梯度下降算法

最小化代价函数

朝向梯度最大的地方下山

需要所有参数更新一遍后进行一次梯度下降(同步更新)

$$
\theta_j = \theta_j - \alpha\frac{\partial}{\partial\theta_j}J(\theta_0,\theta_1) \quad(j=0/1)
$$


参数缩放

对于参数进行处理 尽量让参数都处于相近的范围 使得函数图像更为均匀 梯度下降更为迅速

常见 归一化

奇异矩阵或者不可逆矩阵 在计算解析解时会出现问题 要观察特征 对其进行删除 同时学正规化

举报

相关推荐

0 条评论