机器学习 – 第三周：逻辑回归
分类（Classification）问题
逻辑回归（Logistic Regression）主要是用于分类问题的。分类问题，即对数据集中的数据进行分类，区分出两个或多个类别。
例如，之前提到的邮箱判定是否为垃圾邮件的算法，即一类分类算法：区分一封邮件是垃圾邮件，或是非垃圾邮件。
机器学习 – 第二周：多变量线性回归
好吧……我成功的把 coursera 的 Machine Learning 课完完全全的坑掉了…… Courera 都发信告诉我你快去 check 你的 Review questions 啦否则要不及格了！我才发现我已经完完全全的跟不上进度了哭瞎…… 估计我要跟着 ml-007 班才可能上完这门课了 QAQ 留级什么的……
于是这是多变量线性回归的总结。
机器学习 – 第一周：单变量线性回归
模型表达
单变量线性回归是一种最简单、最典型的监督式学习算法。我们将用于训练的数据称为“数据集”（dataset），则有以下几个定义：
- $$m$$ 代表训练数据集的大小（即有多少个训练样本）；
- $$x$$ 代表模型的输入（即模型的输入特征数量）；
- $$y$$ 代表模型的输出（即最终预测的结果）；
- 我们用上标 $${^{(i)}}$$代表数据集中的第 i 组数据，如 $${x^{(i)}}$$ 代表数据集中第二个输出；
- $$h$$ 则是我们用于预测的函数，具体表述如下：
将学习算法通过训练数据集训练之后得出函数 $$h$$ 中的不确定参数项，此时 $$h$$ 为一确定的函数；
将任意的输入 $$x$$ 代入 $$h$$ 中，即可得到对应的输出 $$y$$。
在单变量线性回归中，我们使用的$${h_\theta}(x)$$为$${h_\theta }(x) = {\theta _0} + {\theta _1}x$$
成本函数
线性回归要达到的目标，即将上述 $${h_\theta}(x)$$ 函数中的 $$\theta$$ 求出。如何选择 $$\theta$$ 们就成了要解决的问题。