[ML笔记]模型表示与代价函数
来源:互联网 发布:男用口服壮阳药淘宝 编辑:程序博客网 时间:2024/05/22 14:25
引导
线性回归属于监督学习,因此方法和监督学习应该是一样的,先给定一个训练集,根据这个训练集学习出一个线性函数,然后测试这个函数训练的好不好(即此函数是否足够拟合训练集数据),挑选出最好的最好那个训练函数(代价函数)即可。
模型表示
假设函数(hypothesis)指从训练集得到一个较好的预测x->y的函数。
单变量线性回归
单变量线性回归是指只有一个变量x。线性回归的函数为线性函数,即直线函数;
单变量线性回归模型
我们将
代价函数
通过代价函数,我们可以计算得到最优解的hypothesis函数。
代价函数公式
J(
h(x)即为假设函数,y假设为真实函数,m为训练集个数
每个训练集与输出变量的差方的和越趋近于0,则假设函数和真实函数越相近。因此代价函数的最优解在于计算代价函数最小值。
先从简单的来看,假设hypothesis函数为:
函数图为:
图中红色的X代表样本真实数据
假设
假设
假设
。。。。。
根据数据集,我们可以基本绘制出代价函数图形如下:
因此,代价函数在
代价函数进阶
如果参数更为复杂时 ,比如
轮廓图如果用二维图表示,则如下图中右图所示,在一条等高线上
声明
图侵删。
- [ML笔记]模型表示与代价函数
- [机器学习2]模型与代价函数
- ML 04、模型评估与模型选择
- 机器学习笔记——逻辑回归模型及其代价函数推导
- 【ML笔记】第三章 线性模型
- [DeeplearningAI笔记]ML strategy_1_3可避免误差与改善模型方法
- ML方法与概率图模型
- 模型评估与选择-ML读书笔记01
- ML之模型评估与选择简介
- 神经网络与深度学习 笔记4 交叉熵代价函数 softmax函数
- 机器学习笔记之代价函数
- 深度学习笔记---交叉熵代价函数
- 机器学习笔记02-代价函数与梯度下降算法(一)
- 神经网络与深度学习笔记(四)为什么用交叉熵代替二次代价函数
- C++虚函数实现原理与代价
- 机器学习之建模与代价函数
- 代价函数
- 代价函数
- Android Studio的下载和配置
- 数据结构和算法思维导图
- 命令行编译C/C++程序
- poj1860(求是否存在大于0的路径,spfa算法) Currency Exchange
- hive中建好表后,使用load命令从本地文件系统导入数据,去表中查全是null
- [ML笔记]模型表示与代价函数
- JavaWeb开发小工具
- 入职新公司3个月总结
- 802.11无线网络
- 如何搭建类似湖南卫视芒果TV直播的APP后台软件系统
- 数据恢复winhex操作注意
- 开源社交系统ThinkSNS+ 发布通知!
- Leetcode LRU Cache
- UTF-8与Unicode的区别