監督學習簡介
給定一組資料點 {x^{(1)},…,x^{(m)}} 和與其對應的輸出 {y^{(1)},…,y^{(m)}}，我們想要建立一個分類器，學習如何從 x 預測 y。
預測型別
不同型別的預測模型總結如下表：
型號型別
不同型號總結如下表：
符號和一般概念
假設
假設我們選擇的模型是h_\theta。對於給定的輸入資料x^{(i)}，模型預測輸出是h_\theta(x^{(i)})。
損失函式
損失函式是一個L:(z,y)\in \R \times Y \rightarrow L(z,y)\in \R的函式，其將真實資料值 y 和其預測值 z 作為輸入，輸出他們的不同程度。常見的損失函式總結如下表：
成本函式
成本函式J通常用於評估模型的效能，使用損失函式L定義如下：
J(\theta)=\sum\limits_{i=1}^mL(h_\theta(x^{(i)}),y^{(i)})
梯度下降
記學習率為\alpha\in \R，梯度下降的更新規則使用學習率和成本函式J，表示如下：
備註：隨機梯度下降（SGD）是根據每個訓練樣本進行引數更新，而批量梯度下降是在一批訓練樣本 上進行更新。
似然
給定引數\theta的模型L(\theta)的似然性通過最大化似然性來找到最佳引數\theta。在實踐中，我們使用更容易優化的對數似然l(\theta)=\log(L(\theta))。我們有：
\theta^{opt}=\arg \max L(\theta)
牛頓演算法
牛頓演算法是一種數值方法，目的是找到一個\theta使得l^\prime(\theta)=0，其更新規則如下：
\theta\leftarrow \theta - \frac{l^\prime(\theta)}{l^{\prime\prime}(\theta)}
備註：多維泛化，也稱為Newton-Raphson 方法，具有以下更新規則：
\theta\leftarrow \theta - (\nabla_\theta^2l(\theta))^{-1}\nabla_\theta l(\theta)
本作品採用《CC 協議》，轉載必須註明作者和本文連結