吴恩达 coursera ML 第十一课总结+作业答案

前言

吴恩达的课程堪称经典,有必要总结一下。
学以致用,以学促用,通过笔记总结,巩固学习成果,复习新学的概念。

目录

正文

本章主要是讨论优化目标。
在这里插入图片描述首先我们再仔细讨论一下逻辑回归。
在这里插入图片描述误差例子
在这里插入图片描述支撑向量机的误差函数。
在这里插入图片描述svm的假设

大分割界限的启示

支撑向量机的假设,不等式放缩。在这里插入图片描述支撑向量机的决策边界。

在这里插入图片描述svm边界,线性可分的情况。
在这里插入图片描述## svm额外知识
在这里插入图片描述向量内积
在这里插入图片描述svm决策边界。
在这里插入图片描述支持向量机决策边界
在这里插入图片描述非线性决策边界
在这里插入图片描述核函数的定义。
在这里插入图片描述核函数和相似性。
在这里插入图片描述例子,更改方差对这个函数的影响。
在这里插入图片描述核函数的影响。

核函数二

在这里插入图片描述选择地标。
在这里插入图片描述带核的支撑向量机。
在这里插入图片描述带核的支撑向量机
在这里插入图片描述惩罚参数C对于函数的影响。

使用svm解决问题的

在这里插入图片描述
需要确定参数c和相似系数以及映射函数

在这里插入图片描述高斯核函数,记得提前归一化尺度。
在这里插入图片描述再选择核时需保证他不越界。
在这里插入图片描述多分类问题
可以使用多分类svm也可以使用一个对所有方法。
在这里插入图片描述逻辑回归和svm的比较。


更多精彩内容