8.2. 数学原理
img{
width: 50%;
padding-left: 20%;
}
数学原理
回顾：向量的点乘
对于向量\(u=[\begin{smallmatrix}
u_1 \\
u_2
\end{smallmatrix}]\),\(v=[\begin{smallmatrix}
v_1 \\
v_2
\end{smallm
Mirror
8.1. 激活函数、代价函数和决策边界
img{
width: 50%;
padding-left: 20%;
}
激活函数、代价函数和决策边界
逻辑回归的代价函数的线性拟合
逻辑回归的激活函数：\(h(x)=\frac{1}{1+e^{-θ^Tx}}\)。
对于单个样本\((x,y)\)，逻辑回归的代价函数是：\(-ylog(h_θ (x))−((1−y)log(1−h_θ (x)))\)，将\
8.3. 核函数
核函数
非线性分类的SVM
本节将使用核函数对支持向量机进行改造，使其成为复杂的非线性分类器。
比如对于如上图所示的分类，决策边界是非线性的。 此时一种对其拟合的方法是用多项式对其进行拟合。
比如： 当\(θ_0+θ_1x_1+θ_2x_2+θ_3x_1x_2+θ_4x_1^2+θ_5x_2^2+..≥0\)时,预测\(y=1\)。
就能够得到一个假设函数：
\[h_θ(x)=\b
6.1. 性能评估
性能评估
下一步做什么
从第一章到现在，我们已经学习了许多中机器学习的方法。但是在面对如今眼花缭乱的算法时，应当如何选择最合适的算法来对数据集进行学习并改进这个算法？
思考如下的例子：
假设已经用波士顿房价数据集得到了线性回归的代价函数：
\[ J_{\theta}=\frac{1}{2m}[\Sigma_{i=1}^{m}(h_θ(x^{(i)})-y^{(i)})^2+λ\Sigma