逻辑回归很简单但是一直不明确 来源B站的视频老弓箭 【模型】 对每个特征加一个权重然后放入sigmoid函数中，得到0-1的值表示概率【公式】 【损失函数】交叉熵损失 确定损失函数的步骤其实就是极大似然估计步骤.（这里可以看统计学习方法6.1.3模型参数估计，即先写出似然函数）（此处突然忘了似然函数是什么了） 1.（这里不太懂为什么写成P（y|y^）的形式 2. 3 【优化目标】这里-1\m应该有个中括号 （这里有个问题损失函数到底是求最大还是最小？）更新不应该是w=w-a吗这里怎么成了加了查看吴恩达视频2.3提到之所以不用损失误差当作损失函数是因为会产
逻辑回归很简单但是一直不明确 来源B站的视频老弓箭 【模型】 对每个特征加一个权重然后放入sigmoid函数中，得到0-1的值表示概率【公式】 【损失函数】交叉熵损失 确定损失函数的步骤其实就是极大似然估计步骤.（这里可以看统计学习方法6.1.3模型参数估计，即先写出似然函数）（此处突然忘了似然函数是什么了） 1.（这里不太懂为什么写成P（y|y^）的形式 2. 3 【优化目标】这里-1\m应该有个中括号 （这里有个问题损失函数到底是求最大还是最小？）更新不应该是w=w-a吗这里怎么成了加了查看吴恩达视频2.3提到之所以不用损失误差当作损失函数是因为会产
1.线性模型有监督学习是通过已知的样本产生预测模型的学习方法，任何有监督学习模型都可被想象成一个函数：\[y=f(x_1,x_2,x_3,...x_n)\tag{1-1}\]其中，\(x_1,x_2,x_3...x_n\)是模型的n维的特征值，\(y\)是要预测的目标值/分类，当\(y\)是可枚举的类型时，对应分类问题（classification）；\(y\)为连续值时，该模型解决回归问题（regression）。线性回归（LinearRegression）在机器学习中被用来解决学习特征和目标值都是连续值类型的问题，可定义为多项式函数：\[y=w_0+w_1x_1+w_2x_2+...+w_
1.线性模型有监督学习是通过已知的样本产生预测模型的学习方法，任何有监督学习模型都可被想象成一个函数：\[y=f(x_1,x_2,x_3,...x_n)\tag{1-1}\]其中，\(x_1,x_2,x_3...x_n\)是模型的n维的特征值，\(y\)是要预测的目标值/分类，当\(y\)是可枚举的类型时，对应分类问题（classification）；\(y\)为连续值时，该模型解决回归问题（regression）。线性回归（LinearRegression）在机器学习中被用来解决学习特征和目标值都是连续值类型的问题，可定义为多项式函数：\[y=w_0+w_1x_1+w_2x_2+...+w_
1、线性回归1.1线性回归应用场景房价预测销售额度预测金融：贷款额度预测、利用线性回归以及系数分析因子1.2什么是线性回归1.2.1定义与公式线性回归(Linearregression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。特点：只有一个自变量的情况称为单变量回归，大于一个自变量情况的叫做多元回归那么怎么理解呢？我们来看几个例子期末成绩：0.7×考试成绩+0.3×平时成绩房子价格=0.02×中心区域的距离+0.04×城市一氧化氮浓度+(-0.12×自住房平均房价)+0.254×城镇犯罪率上面两个例子，我们看到特征值与目标值之间建立的
1、线性回归1.1线性回归应用场景房价预测销售额度预测金融：贷款额度预测、利用线性回归以及系数分析因子1.2什么是线性回归1.2.1定义与公式线性回归(Linearregression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。特点：只有一个自变量的情况称为单变量回归，大于一个自变量情况的叫做多元回归那么怎么理解呢？我们来看几个例子期末成绩：0.7×考试成绩+0.3×平时成绩房子价格=0.02×中心区域的距离+0.04×城市一氧化氮浓度+(-0.12×自住房平均房价)+0.254×城镇犯罪率上面两个例子，我们看到特征值与目标值之间建立的
分类算法-逻辑回归与二分类1、逻辑回归的应用场景广告点击率是否为垃圾邮件是否患病金融诈骗虚假账号看到上面的例子，我们可以发现其中的特点，那就是都属于两个类别之间的判断。逻辑回归就是解决二分类问题的利器2、逻辑回归的原理2.1输入逻辑回归的输入就是一个线性回归的结果，然后把这个结果映射到0-1之间。2.2激活函数分析回归的结果输入到sigmoid函数当中输出结果：[0,1]区间中的一个概率值，默认为0.5为阈值逻辑回归最终的分类是通过属于某个类别的概率值来判断是否属于某个类别，并且这个类别默认标记为1(正例),另外的一个类别会标记为0(反例)。（方便损失计算）输出结果解释(重要)：假设有两个类别
分类算法-逻辑回归与二分类1、逻辑回归的应用场景广告点击率是否为垃圾邮件是否患病金融诈骗虚假账号看到上面的例子，我们可以发现其中的特点，那就是都属于两个类别之间的判断。逻辑回归就是解决二分类问题的利器2、逻辑回归的原理2.1输入逻辑回归的输入就是一个线性回归的结果，然后把这个结果映射到0-1之间。2.2激活函数分析回归的结果输入到sigmoid函数当中输出结果：[0,1]区间中的一个概率值，默认为0.5为阈值逻辑回归最终的分类是通过属于某个类别的概率值来判断是否属于某个类别，并且这个类别默认标记为1(正例),另外的一个类别会标记为0(反例)。（方便损失计算）输出结果解释(重要)：假设有两个类别
1.线性回归1.1线性模型 当输入包含d个特征，预测结果表示为： 记x为样本的特征向量，w为权重向量，上式可表示为： 对于含有n个样本的数据集，可用X来表示n个样本的特征集合，其中行代表样本，列代表特征，那么预测值可用矩阵乘法表示为： 给定训练数据特征X和对应的已知标签y，线性回归的⽬标是找到⼀组权重向量w和偏置b：当给定从X的同分布中取样的新样本特征时，这组权重向量和偏置能够使得新样本预测标签的误差尽可能小。1.2损失函数（lossfunction） 损失函数又称代价函数（costfunction），通常用其来度量目标的实际值和预测值之间的误差。在回归问题
1.线性回归1.1线性模型 当输入包含d个特征，预测结果表示为： 记x为样本的特征向量，w为权重向量，上式可表示为： 对于含有n个样本的数据集，可用X来表示n个样本的特征集合，其中行代表样本，列代表特征，那么预测值可用矩阵乘法表示为： 给定训练数据特征X和对应的已知标签y，线性回归的⽬标是找到⼀组权重向量w和偏置b：当给定从X的同分布中取样的新样本特征时，这组权重向量和偏置能够使得新样本预测标签的误差尽可能小。1.2损失函数（lossfunction） 损失函数又称代价函数（costfunction），通常用其来度量目标的实际值和预测值之间的误差。在回归问题
