機器學習演算法 線性模型

本markdown編輯器使用stackedit修改而來，用它寫部落格，將會帶來全新的體驗哦：

markdown 是一種輕量級標記語言，它允許人們使用易讀易寫的純文字格式編寫文件，然後轉換成格式豐富的html頁面。 —— [ 維基百科 ]

本編輯器支援markdown extra, 　擴充套件了很多好用的功能。具體請參考github.

markdown　extra**語法：

專案**

computer

$1600

phone

$12pipe$1

可以使用冒號來定義對齊方式：

專案**

數量computer

1600 元

5phone

12 元

12pipe

1 元234

markdown　extra定義列表語法：

專案１

專案２定義 a

定義 b

專案３定義 c

定義 d

定義d內容

**塊語法遵循標準markdown**，例如：

@requires_authorization

defsomefunc
(param1='', param2=0):
'''a docstring'''
if param1 > param2: # interesting
print
'greater'
return (param2 - param1 + 1) or
none
class
someclass:
pass
>>> message = '''interpreter
... prompt'''

用[toc]來生成目錄：

離線寫部落格

瀏覽器相容

使用mathjax渲染latex 數學公式，詳見math.stackexchange.com. x

=−b±

b2−4

ac‾‾

‾‾‾‾

‾‾√2

a 更多latex語法請參考 這兒.

可以渲染序列圖：

或者流程圖：

即使使用者在沒有網路的情況下，也可以通過本編輯器離線寫部落格（直接在曾經使用過的瀏覽器中輸入write.blog.csdn.net/mdeditor即可。markdown編輯器使用瀏覽器離線儲存將內容儲存在本地。

使用者寫部落格的過程中，內容實時儲存在瀏覽器快取中，在使用者關閉瀏覽器或者其它異常情況下，內容不會丟失。使用者再次開啟瀏覽器時，會顯示上次使用者正在編輯的沒有發表的內容。

部落格發表後，本地快取將被刪除。　

使用者可以選擇 把正在寫的部落格儲存到伺服器草稿箱，即使換瀏覽器或者清除快取，內容也不會丟失。

注意：雖然瀏覽器儲存大部分時候都比較可靠，但為了您的資料安全，在聯網後，請務必及時發表或者儲存到伺服器草稿箱。

ie９，１０，１１存在以下問題

不支援離線功能

ie9不支援檔案匯入匯出

ie10不支援拖拽檔案匯入

這裡是腳注的 內容. ↩

機器學習演算法 線性模型 線性回歸

線性回歸 是試圖學得乙個線性模型盡可能準確地 實值輸出標記。西瓜書 個人通俗理解就是簡單線性回歸找到一條直線盡可能到給出的樣本點距離要小，多維則變成找乙個超平面。如上圖 3.1 3.2 均方誤差最小的直線，均方誤差即學習器到真實值的距離的平方和，來刻畫擬合直線到樣本點的差距 一元回歸不需要用到矩陣求...

機器學習演算法 線性回歸

線性回歸應該算機器學習演算法裡面最基礎的演算法了，分別用作回歸 y值為連續值 和分類 y值為離散 在學習線性回歸的過程中，有很多機器學習的概念和方法是在這時候提出的。在現實中變數之間的關係，是有確定的和非確定的。確定關係指的是變數之間可以使用函式關係式表示，非確定的部分我們可以用概率分布來表示，如乙...

機器學習演算法 線性回歸

樣本特徵只有乙個的線性回歸問題，為簡單線性回歸。樣本特徵有多個的線性回歸問題，為多元線性回歸。兩個變數之間的關係是一次函式關係的 圖象是直線，這樣的兩個變數之間的關係就是 線性關係 如果不是一次函式關係的 圖象不是直線，就是 非線性關係 線性回歸演算法將無數的訓練集資料放在乙個座標系中，以座標系的乙...