m0_37626806的博客

原创 第六周--视频截图

转载 第六周--拟合判断

对于已建立的某一机器学习模型来说，不论是对训练数据欠拟合或是过拟合都不是我们想要的，因此应该有一种合理的诊断方法。偏差和方差评价数据拟合程度好坏，通常用代价函数J（平方差函数）。如果只关注Jtrain(训练集误差)的话，通常会导致过拟合，因此还需要关注Jcv(交叉验证集误差)。高偏差：Jtrain和Jcv都很大，并且Jtrain≈Jcv。对应欠拟合。高方差：Jtra

转载 第五周--BP算法

在这篇文章中，会实现一个BP(backpropagation)算法，并将之应用到手写的阿拉伯数字(0-9)的自动识别上。训练数据集(training set)如下：一共有5000个训练实例(training instance)，每个训练实例是一个400维特征的列向量(20*20 pixel image)。用 X 矩阵表示整个训练集，则 X 是一个 5000*400 （5000行 400

转载 exercise 3 --神经网络进行手写体识别

本作业使用神经网络(neural networks)识别手写的阿拉伯数字(0-9)由于逻辑回归是线性分类（它的假设函数是一个线性函数，就是划一条直线，把数据分成了两类。可参考这篇文章中的：②使用逻辑回归来实现多分类问题(one-vs-all) 部分 的图片）对于一些复杂的类别，逻辑回归就解决不了了。比如下面这个图片中的分类。（无法通过 划直线 将 叉叉 和 圆圈 分开）

转载 exercise 3 （逻辑斯蒂回归实现多分类问题）

本文转载：本作业使用逻辑回归(logistic regression)和神经网络(neural networks)识别手写的阿拉伯数字(0-9)下面使用逻辑回归实现多分类问题：识别手写的阿拉伯数字(0-9) 数据加载到Matlab中的格式如下： 一共有5000个训练样本，每个训练样本是400维的列向量（20X20像素的 grayscale i

转载 第二周--线性回归问题

两种方法：1.梯度下降法    优点：即使特征变量的维度n很大，该方法依然很有效   缺点：1）需要选择学习速率α          2）需要多次迭代   2.正规方程法该方法可以一次性求解参数Θ     优点：1）不需要选择α            2）不用多次迭代，一次求解            3）正规方程法不需要归一化