機器學習中的預測問題通常分為2類：回歸與分類。 簡單的說回歸就是預測數值，而分類是給數據打上標簽歸類。 本文講述如何用Python進行基本的數據擬合，以及如何對擬合結果的誤差進行分析。 本例中使用一個2次函數加上隨機的擾動來生成500個點，然后嘗試用1、2、100次方的多項式對該數據 ...

輸出是一個連續的數值。 模型表示 對於一個目標值，它可能受到多個特征的加權影響。例如寶可夢精靈的進化的 cp 值，它不僅受到進化前的 cp 值的影響，還可能與寶可夢的 hp 值、類型、高度以及重量相關。因此，對於寶可夢進化后的 cp 值，我們可以用如下線性公式來表示： \[y=b+ ...

回歸是統計學中最有力的工具之一。機器學習監督學習算法分為分類算法和回歸算法兩種，其實就是根據類別標簽分布類型為離散型、連續性而定義的。回歸算法用於連續型分布預測，針對的是數值型的樣本，使用回歸，可以在給定輸入的時候預測出一個數值，這是對分類方法的提升，因為這樣可以預測連續型數據而不僅僅是離散的類別 ...

一、Linear Regression 線性回歸是相對簡單的一種，表達式如下 其中，θ0表示bias，其他可以看做weight，可以轉換為如下形式 為了更好回歸，定義損失函數，並盡量縮小這個函數值，使用MSE方法（mean square equal） 縮小方法采用梯度下降 ...

前言 由於本部分內容講解資源較多，本文不做過多敘述，重點放在實際問題的應用上。 一、線性回歸 線性回歸中的線性指的是對於參數的線性的，對於樣本的特征不一定是線性的。 線性模型（矩陣形式）：y=XA+e 其中：A為參數向量，y為向量，X為矩陣,e為噪聲向量。 對於線性模型 ...

的logistic回歸擬合 常規的logistic回歸在解決分類問題時，通常是用於線性決策邊界的分類 ...

本文講梯度下降（Gradient Descent）前先看看利用梯度下降法進行監督學習（例如分類、回歸等）的一般步驟： 1， 定義損失函數（Loss Function） 2， 信息流forward propagation，直到輸出端 3， 誤差信號back propagation。采用 ...

git：https://github.com/linyi0604/MachineLearning 通過比較 經過正則化的模型 泛化能力明顯的更好啦 ...