作者: 引线小白-本文永久链接:httpss://www.limoncc.com/post/72a5edcac04cd1a3e93a37ee90ac9259/
知识共享许可协议: 本博客采用署名-非商业-禁止演绎4.0国际许可证
一、机器学习若干符号解释
我们在表达概念时,通常用集合论,空间之类的术。这个时候,我们注意元素和集合的区别。而在我们表达运算时,我们通常用矩阵的概念,这个时候你要注意维度、列、行的概念。多加练习,你很快就会掌握这个表达。
1、输入空间
用矩阵表示数据集
用matlab举个例子:
1 | %矩阵与机器学习 |
所以
输入空间的矩阵表示和集合表示我们需要多加熟悉、灵活运用。这是我们思考多维问题的基础。
2、输出空间
集合
矩阵表示:
在有监督学习中,我们把集合
符号
统计学中,我们写成这样
机器学习中,我们写成这样
3、假设空间:
1、如果真实的世界的关系是 , 世界充满噪声。所以 。
现在我们有一个样本或者数据集
现在我们换一个说法:
1、世界是这样的:
2、我们观察到的世界是这样的:
3、我们假设世界是这样的:
于是
4、我们还可以写成:
2、这里的符号有一个重要的解释:
3、换一个程序员比较好理解的说法:
输出的最佳估计:
4、算法空间
5、参数空间
6、概念总结
有了这些基本概念,我们就可以建立起机器学习的基本框架。一张图搞定:
7、指示函数,或者叫示性函数
8、评论
这段概论,大部分是站在频率学派的角度解释的,以后我们还会用贝叶斯学派的观点。
我们注意到符号与文字的转换要非常熟练,这就像英语,如果做到同声翻译的水平,这将有利于快速理解。所以一套好的数学符号是非常关键,好数学符号令人赏心悦目。但是每个人都有不同的风格,这就有点无语,以至于不同的书,符号不一样。TMD这是英语有了方言啊。有些书上的符号真是丑的不堪入目啊。严重影响阅读学习体验。
二、回归模型
1、线性回归模型:
模型的一些表示方法
模型矩阵解释:
2、梯度下降算法:
梯度下降算法的本质:可以使用相图的思想加以理解。例如有关系
所谓梯度就是图中的箭头乘以梯度的大小。代表了该点速度最快的方向。而
所以应该能够理解梯度下降算法了:
3、规范方程
规范方程的本质可以如下理解:
解决学习平方误差
现在我们用线性空间的概念来加以理解:
注释:
[^1]: 如果
版权声明 | ![]() |
![]() | 由引线小白创作并维护的柠檬CC博客采用署名-非商业-禁止演绎4.0国际许可证。 本文首发于柠檬CC [ https://www.limoncc.com ] , 版权所有、侵权必究。 |
本文永久链接 | httpss://www.limoncc.com/post/72a5edcac04cd1a3e93a37ee90ac9259/ |
如果您需要引用本文,请参考: |
引线小白. (Jan. 8, 2017). 《机器学习概论》[Blog post]. Retrieved from https://www.limoncc.com/post/72a5edcac04cd1a3e93a37ee90ac9259 |
@online{limoncc-72a5edcac04cd1a3e93a37ee90ac9259, title={机器学习概论}, author={引线小白}, year={2017}, month={Jan}, date={8}, url={\url{https://www.limoncc.com/post/72a5edcac04cd1a3e93a37ee90ac9259}}, } |