主要内容:

回归

1.线性回归

2.Logistic回归

最优问题:

1.梯度下降

2.牛顿法

3.拟牛顿法

了解参数学习算法和非参数学习算法的区别

高斯分布(正态分布)

 

1.

机器学习之回归

机器学习之回归

2.线性回归

机器学习之回归

考虑2个变量

机器学习之回归

多变量的情形

机器学习之回归

3.最小二乘的目标函数

m为样本个数,则一个比较“符合常理”的误差函数为:

机器学习之回归

符合常理

n最小二乘建立的目标函数,即是在噪声为均值为0的高斯分布下,极大似然估计的目标函数

机器学习之回归

转化为极大似然函数:

机器学习之回归

机器学习之回归

后边的是最小二乘

机器学习之回归

结论:

机器学习之回归

实际中不会求逆来解决问题,而是通过梯度下降来解决。

4. 梯度下降算法

 

机器学习之回归

梯度方向:

机器学习之回归

机器学习之回归

机器学习之回归

随机的速度比批处理得快

最小二乘是求目标函数

梯度下降是求目标函数中的参数