看那本电子书《Python 神经网络编程》
R^2 = xxxxxx 越接近1,拟合程度越高
引入 当我们得到了一个目标函数后,如何进行求解?直接求解?(并不一定可解,线性回归可以当作一个特里)
常规套路 机器学习的套路就是我交给机器一堆数据,然后告诉它什么样的学习方式是对的(目标函数),然后让它朝着这个方向去做。
如何优化? 逐步完成迭代优化,每次优化一点点。
目的:分类还是回归?是经典的二分类算法;
机器学习算法选择:先逻辑回归再用复杂的,能简单还是用简单的;
逻辑回归的决策边界:可以是非线性的
g(z) = 1 / (1 + e^(-z))
似然函数
对数似然
此时应用梯度上升求最大值,引入J(@) = - l(@) / m 转换为梯度下降任务