模型表示及代價函式

圖片載入不了看這

監督式學習的模型表示

訓練集的描述：

如：

m 代表訓練集中例項的數量

x 代表特徵/輸入變數

y 輸出變數

(x,y) 代表訓練集中的例項

(xi,yi) 代表第 i 個觀察例項

h 代表學習演算法的解決方案或函式也稱為假設（hypothesis）

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片儲存下來直接上傳(img-Jm7BIPTq-1605151502349)(https://s1.ax1x.com/2020/11/09/BHuxJJ.png)]

​ 上面為一個監督式學習的工作方式，將我們的訓練集資料餵食給這個演算法，然後可以給我們返回一個函式h代表學習演算法給我們的解決方案，我們可以通過這個函式來根據輸入判斷輸出，就比如根據房子的尺寸估計出房子的價格，h函式相當於一個從x到y的對映，h函式的表達方式有很多種比如最簡單的單變數線性表示，抑或多變數一次線性表示來擬合資料，或者多次冪函式來擬合更為複雜的資料。

非監督式學習

非監督式學習與監督式學習的區別主要在於，非監督式學習的訓練集資料並不會包含這個資料例項的正確答案，而是依靠非監督式學習演算法自己去尋找這些資料的各自特點，一個主要的應用就是應用在聚類演算法上面如：

那麼聚類演算法的作用就是尋找這兩波資料的特點，並對映到h函式中，以求能夠將兩類資料區分出來。

代價函式的介紹