We read every piece of feedback, and take your input very seriously.
To see all available qualifiers, see our documentation.
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
本节主要讲三个监督学习的三个方面
案例一:房价预测
问:给你一组数据,或者给你这样一个训练数据的集合,你能否学会预测房屋大小和房价之间的关系
假如M表示训练样本的数目,也就是数据的行数,图中是M = 5; X表示输入变量,通常也可以称为特征;Y表示输出变量,有时也称为目标变量;(X, Y)表示一个样本
M
M = 5
X
Y
M = training examples X = input variables / feature,在上面的例子中表示房子大小 Y = output variable / target variable (X, Y) 表示一个样本 第 i 个训练样本 = (X[i], Y[i]) 表示。
总结,在监督学习中,如下图(按照上面的例子)
1. 先找到一个训练集合(Training Set) 2. 提供一个学习算法(learning algrithm) 3. 学习算生成一个输出函数 h(假设), 4. 这假设的任务,就是接受左边的输入 5. 输出一个对房价的估计 6. 假设`h`将输入`x`映射到输出`y` 7. 对房价预测案例假设一个算法 h(x) = θ(0) + θ(1)x (两个常量参数)
案例二:房价预测扩展
通常实际情况下,许多回归问题都需要多个输入特征。假设房屋预测案例中,多了一个特征,就是卧室数量
假设 X(0) 表示房子的大小和平方公尺;X(2) 表示卧室数量,那么假设可以写成
h(x) = hθ(X) = θ(0) + θ(1)x(1) + θ(2)x(2)
The text was updated successfully, but these errors were encountered:
No branches or pull requests
监督学习的应用
本节主要讲三个监督学习的三个方面
线性回归
案例一:房价预测
问:给你一组数据,或者给你这样一个训练数据的集合,你能否学会预测房屋大小和房价之间的关系
假如
M
表示训练样本的数目,也就是数据的行数,图中是M = 5
;X
表示输入变量,通常也可以称为特征;Y
表示输出变量,有时也称为目标变量;(X, Y)表示一个样本总结,在监督学习中,如下图(按照上面的例子)
案例二:房价预测扩展
通常实际情况下,许多回归问题都需要多个输入特征。假设房屋预测案例中,多了一个特征,就是卧室数量
假设 X(0) 表示房子的大小和平方公尺;X(2) 表示卧室数量,那么假设可以写成
The text was updated successfully, but these errors were encountered: