林轩田《机器学习基石》第一篇（观后感）

为了缩短机器学习入门者看视频的时间，特意整理了精简的部分。

机器学习

1. 银行是否发贷款的模型，采用线性模型（现实中一般不会这么简单），当评分大于某规定值，则发放，否则，不发放；

输入量为x，属性个数为d，sign 是符号函数，threshold 即所说的规定值。本式通过机器学习w和threshold 来建立模型。通过h(x)的值决定是否发放贷款。w 通常称为权重,y通常称为标签。当精简符号表示时，将-threshhold 看成一个w0值,+1看成x0，则精简后的式子表示为：

如何找出合适的w？（修正）

看右边矢量图，线性模型可以看成w与x的内积运算，当w与x的夹角大于90°，则结果为负值，反之，为正值。

当发现某点真实y应为+1，模型输出-1，证明该点的x与y的夹角过大，如右上第一个图，此时可以通过w+yx进行修正w，则夹角变小，当真实y应为-1，模型输出为+1，证明该夹角过小，通过w+yx ，即w-x，修正w，将夹角变大。该修正方法也称为感知机学习算法（PLA）。常见的调整w方式为逐个循环，直到所有输入x，都能正常预测真实y停止。PLA停止条件为线性可分。当不能线性可分，就不能停止。

变形PLA-(贪心思想-口袋演算法)总是保存当前的最优w。并设置一个最大迭代次数。虽然不是线性可分，但是还可以找到比较好的w。

林轩田《机器学习基石》第一篇（观后感）相关推荐

台湾大学林轩田机器学习基石课程学习笔记13 -- Hazard of Overfitting
红色石头的个人网站:redstonewill.com 上节课我们主要介绍了非线性分类模型,通过非线性变换,将非线性模型映射到另一个空间,转换为线性模型,再来进行分类,分析了非线性变换可能会使计算复杂度 ...
台大林轩田·机器学习基石记要
台大林轩田·机器学习基石记要昨天开始看林轩田的机器学习基石,从今天起开始去粗取精第一讲比较基础,一些概念自己早已经理解了,所以不再做笔记,有点印象的是讲到了ML.DL.AI的一些联系与区别,ML主 ...
林轩田机器学习基石（Machine Learning Foundations）笔记（一）
要求两周之内看完林轩田机器学习基石和技法,速度是要的,但是感觉看得太快我会不久就会忘记.因此记录一下梗概,顺便写写看视频时解决的不懂的地方(有种思想就是把知识传播给更多人,有时候就是靠大佬们善意的一句 ...
台湾大学林轩田机器学习基石课程学习笔记资料汇总
笔记: 红色石头的专栏(写得非常好) 课后练习: 機器學習基石(Machine Learning Foundations) 机器学习基石课后习题链接汇总 https://download.csdn. ...
机器学习系列笔记：林轩田机器学习基石——机器学习的可行性
机器学习系列笔记:林轩田机器学习基石--机器学习的可行性
台湾大学林轩田机器学习基石课程学习笔记1 -- The Learning Problem
红色石头的个人网站:redstonewill.com 最近在看NTU林轩田的<机器学习基石>课程,个人感觉讲的非常好.整个基石课程分成四个部分: When Can Machine Lear ...
台大林轩田机器学习基石学习笔记（一）：The Learning Problem
这里写自定义目录标题写在前面一.What is Machine Learning 二.Applications of Machine Learning 三.Components of Machin ...
台湾大学林轩田机器学习基石课程学习笔记15 -- Validation
红色石头的个人网站:redstonewill.com 上节课我们主要讲了为了避免overfitting,可以使用regularization方法来解决.在之前的EinEinE_{in}上加上一个reg ...
台湾大学林轩田机器学习基石课程学习笔记11 -- Linear Models for Classification
红色石头的个人网站:redstonewill.com 上一节课,我们介绍了Logistic Regression问题,建立cross-entropy error,并提出使用梯度下降算法gradient ...
台湾大学林轩田机器学习基石课程学习笔记10 -- Logistic Regression
红色石头的个人网站:redstonewill.com 上一节课,我们介绍了Linear Regression线性回归,以及用平方错误来寻找最佳的权重向量w,获得最好的线性预测.本节课将介绍Logist ...

林轩田《机器学习基石》第一篇（观后感）

林轩田《机器学习基石》第一篇（观后感）相关推荐

最新文章

热门文章