机器学习-代价函数
来源:互联网 发布:360 禁止程序访问网络 编辑:程序博客网 时间:2024/06/06 19:17
大部分的的机器学习(ml)算法都有Cost Function(代价函数)它是衡量训练集与假设函数(能表达训练集的模型)差距的度量,假设我们有个代价函数(这个函数不是假设函数) f(x)=Cost(x;Θ)(自变量x是个向量,参数Θ也是向量,Cost(x;Θ)是关于x和Θ的函数),我们总是希望将Cost(x;Θ)最小化,那意味着训练集与假设函数的差距最小,也意味着在Cost(x;Θ)最小的情况下的Θ最能用来表达训练集。下面是例子说明:
假设我们有以下训练集:
(图 一)
上图左侧是房间的面积,右侧是价格,而且我们有假设函数如下:
(图 二)
上图中的Θ0和Θ1称为模型参数,这里选择不同的模型参数会有不同的假设函数
(图三)
假设我们有训练集如下:
(图四)
图三中,哪一条直线会更好的拟合图四的数据呢?都有可能,我们可以直观的观察,可能如下图的直线会是最好的选择。
我们的想法是:我们要使预测的值(也就是输入x时,h(x)的值)最接近样本的y值,在这个前提上,我们取到的Θ0和Θ1是最好的。
所以我们有以下Cost公式(代价函数):
上图公式的含义是,所有预测值与样本实际值的差的和的平方(记得好像是高中学的方差,标准差之类的东西)的最小值,我们之所以能对这个公式求最小值是因为这个函数是一个J(Θ),也就是说它是一个包含未知量Θ的函数,当J(Θ)取得最小值时,该条件下的Θ就是最佳选择。
我们让所有的样本集(实际值)与它们各自的预测值的和最小,意味着我们的模型h(x)能比较好的预测一个趋势或者是说能够更好的贴近现实情况,而后当有一个未知y的新样本(xi,yi),大多数情况,我们是知道xi的,我们便可以通过我们求出来的模型来得到yi。
- 机器学习-代价函数
- 机器学习-代价函数
- 【机器学习】代价函数
- 机器学习中的代价函数
- 机器学习中的代价函数
- 机器学习-代价函数 I
- 机器学习-代价函数 II
- 机器学习-逻辑回归-代价函数
- 机器学习入门(4)--代价函数
- 第一周-机器学习-代价函数_intuition
- 机器学习:代价函数cost function
- 机器学习-3 cost function 代价函数
- 机器学习笔记之代价函数
- [机器学习2]模型与代价函数
- 机器学习入门——代价函数
- [机器学习] 代价函数(cost function)
- 机器学习之建模与代价函数
- 机器学习-逻辑回归-代价函数
- 李白打酒(包含路径)
- Python数据结构
- ACL组委会手把手教你论文投稿小技巧
- C语言之函数篇
- Jquery之动态操作table
- 机器学习-代价函数
- hdu--6060--RXD and dividing
- 系统调用
- 函数逆序字符串
- 周末加班
- MS UI Automation简介
- 两种方法解决 "The License CNEKJPQZEX- has been cancelled..." 问题
- ZOJ
- 设计模式-策略模式---Strategy(对象行为型)