CS229 Lesson 1 机器学习的动机与应用

课程视频地址:http://open.163.com/special/opencourse/machinelearning.html

课程主页:http://cs229.stanford.edu/

更具体的资料链接:https://www.jianshu.com/p/0a6ef31ff77a

笔记参考自中文翻译版:https://github.com/Kivy-CN/Stanford-CS-229-CN

整理完9到20讲之后开始回过头来整理前面8讲,第一讲主要对机器学习做了简介。

监督式学习

让我们首先谈谈监督学习问题的几个例子。假设我们有一个数据集,给出了俄勒冈州波特兰市47所房屋的房间大小和价格:

​ 作图可得:

​ 根据这样的数据,我们如何根据房间大小来学习预测波特兰其他房屋的价格?

​ 我们将使用$x^{(i)}$来表示“输入”变量(这个例子中为房间大小),也称为输入特征,$y^{(i)}$表示“输出”或我们正试图预测的目标变量(此处为价格)。 一对$(x^{(i)},y^{(i)})$被称为训练样本,我们将用于学习的数据集——$m$个训练样本$\{(x^{(i)},y^{(i)});i=1,…,m\}$——被称为训练集。 请注意,符号中的上标$(i)$只是训练集的索引,与取幂运算无关。 我们还将使用$\mathcal X$表示输入值所在空间,并使用$\mathcal Y$表示输出值所在空间。 在这个例子中,$\mathcal X=\mathcal Y =\mathbb R$

​ 为了更正式地描述监督式学习问题,我们的目标是,给定训练集,学习函数$h:\mathcal X \mapsto \mathcal Y$,使得$h(x)$是对$y$的“好”预测器。 由于历史原因,该函数$h$被称为假设。 从图中可以看出,这个过程是这样的:

​ 当我们试图预测的目标变量是连续时,例如在我们的住房示例中,我们将学习问题称为回归问题。 当$y​$只能取离散值时,我们将其称为分类问题。

本文标题:CS229 Lesson 1 机器学习的动机与应用

文章作者:Doraemonzzz

发布时间:2019年02月01日 - 22:36:00

最后更新:2019年02月12日 - 21:10:59

原始链接:http://doraemonzzz.com/2019/02/01/CS229 Lesson 1 机器学习的动机与应用/

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。