2.udacity test
參考文獻
以下是一組用於線性回歸的方法，這些方法中，目標值是一組特徵的線性組合。在數學公式中，y
^\hat
y^是**值
y ^(
w,x)
=w0+
w1x1
+…+w
pxp\hat(w, x)=w_+w_ x_+\ldots+w_ x_
y^(w,
x)=w
0+w
1x1
+…+
wpx
p其中，向量w=(
w1,…
,wp)
w=\left(w_, \dots, w_\right)
w=(w1
,…,w
p)作為coef_,w
0w_0
w0為截距intercept_。
linearregression用影響係數w=(
w1,…
,wp)
w=\left(w_, \dots, w_\right)
w=(w1
,…,w
p)擬合乙個線性模型，該模型最小化資料集中觀察到的目標和通過線性近似**的目標之間總和殘留的平方。數學上它解決形式：
ridge回歸通過對係數的大小判罰解決了普通最小二乘法一些問題。脊係數最小化帶有懲罰的殘差的平方和：
min w
∥xw−
y∥22
+α∥w
∥22\min _\|x w-y\|_^+\alpha\|w\|_^
wmin∥
xw−y
∥22
+α∥w
∥22
複雜性引數α≥0
\alpha \geq 0
α≥0 控制收縮量：較大的值 α
\alpha
α ，收縮的量越大，因此係數變得更穩健於共線性
Udacity 機器學習入門 特徵縮放
因為在這裡，體重完全主導了結果，身高的影響微乎其微。而我們應該盡量讓兩者對結果有同等重要的影響。這就引來了特徵縮放 把特徵都限制在 0,1 之間。解釋 特點 縮放後的特徵值總是在0和1之間 def featurescaling arr import numpy as np arr np.array ...
機器學習入門筆記
最近在學習機器學習。本文大概是我的筆記 總結 機器學習本質上是對已經了解一些內在規律的資料進行分析，得到一些資訊，從而在面對新資料的時候，可以進行 收集資料 分析資料 是否合法 是否能得到正確的演算法 訓練演算法 測試演算法 是否能以較大概率得到正確的結果 使用演算法 在已知資料集 每個資料可以看做...
ES6學習筆記 Udacity
part 1 es6 語法 for of 迴圈 附首字母大寫方法 格式 const digits 0,1,2,3,4,5,6,7,8,9 for const digit of digits tips 建議使用複數物件名稱來表示多個值的集合。這樣，迴圈該集合時，可以使用名稱的單數版本來表示集合中的單個...