[机器学习]监督学习应用.梯度下降
2017-07-22 00:03
190 查看
Notation:
1.m : # training examples2.x : input variables \ features
3.y : output variables \”target”variables
4.(x,y) : training example
5.ith training example : (x(i),y(i))
Flow Path
training set→learning algorithm→h(hypothesis)Hyposthesis Function
New Living Area → Hypothesis → Estimate PriceLinar function(regression problems)
h(θ)=hθ(X)=θ0+θ1X1+θ2X2(X1 = size X2 = #bedrooms X0=1)⟹hθ(X)=∑Nk=0θkXk(θi is called parameters)
⟹θTx(n = #featrues)
minθ=12∑mi=1(hθ(x(i))−y(i))2⟹J(θ)
梯度下降公式推导
⟹
相关文章推荐
- Andrew Ng 机器学习 第一课 监督学习应用.梯度下降 笔记
- Stanford大学机器学习公开课(二):监督学习应用与梯度下降
- 【机器学习-斯坦福】学习笔记2 - 监督学习应用与梯度下降
- 机器学习--监督学习应用(梯度下降)
- 机器学习--监督学习应用(梯度下降)
- 【机器学习】1 监督学习应用与梯度下降
- 机器学习笔记二:监督学习应用:梯度下降
- 【机器学习-斯坦福】学习笔记2 - 监督学习应用与梯度下降
- 【斯坦福---机器学习】复习笔记之监督学习应用.梯度下降
- 斯坦福大学公开课机器学习课程(Andrew Ng)二监督学习应用 梯度下降
- 机器学习-斯坦福:学习笔记2-监督学习应用与梯度下降
- 监督学习应用.梯度下降笔记
- Machine Learning - Andrew NG Class02 - 监督学习应用.梯度下降
- Andrew Ng机器学习公开课02:监督学习应用:梯度下降
- 监督学习应用与梯度下降
- 第二课 监督学习应用 梯度下降
- 监督学习应用.梯度下降.
- 机器学习笔记(1)---监督学习之梯度下降
- 机器学习--监督学习之梯度下降法
- 监督学习应用-梯度下降