為了衡量func set中的某個function的好壞，我們需要乙個評估函式，即loss function，損失函式，簡稱l; loss function是乙個function的function
l (f
)=l(
w,b)
l(f) = l(w,b)
l(f)=l
(w,b
)gradient descent的厲害之處在於，只要l(f
)l(f)
l(f)
是可微分的，gradient descent都可以拿來處理這個f
ff，找到表現比較好的paramenters
在無法確定真實資料分布的情況系啊，我們盡可能去改變loss function的評價標準
機器學習線性回歸案例講解 機器學習例項 線性回歸
一 問題引入 1.首先明確幾個概念目前三大最常見的機器學習任務 1.回歸問題 2.分類問題 3.聚類問題 machine learning機器學習是artificial inteligence的核心，分為四類 1 supervised learning監督學習 是有特徵 feature 和標籤 la...
P3 回歸案例分析
參考筆記 本文以 精靈寶可夢的cp值為案例，已知資訊為寶可夢的多種屬性，來 進化後的寶可夢cp值 這裡先以linear model為代表 y i b w ixiy i b sum w x yi b wi xi 其中x ix i xi 表示寶可夢的各種屬性值，b bb代表bias,w iw i wi ...
機器學習線性回歸案例講解 機器學習實戰 線性回歸
本文將用 泰坦尼克船員獲救 這一案例展示一下使用線性回歸建模的流程。首先匯入原始的資料並展示資料的前5行，大致了解一下資料的情況。原始資料中分別有以下幾列資訊 passengerid survived pclass name age sibsp parch ticket fare cabin emb...