? ? ? ?請注意：csdn那邊的博客http://blog.csdn.net/my_share。因為那邊審核的時間太長。搬遷入這里。stanford機器學習前2堂在CSDN的博客里面。

? ? ? ? 剛開始他寫了，這個公式第二堂講的，是梯度下降法，預測房價的那個。

? ? ? ?第二堂講的線性回歸，我們假設的房價的預測可以用線性方程來擬合。那只是一個假設量。其實可以用多次函數擬合。按照視頻的說法就是，如果你只有7個樣本，你就可以用一個6次函數完成擬合。這個結論可以記住，其實我csdn里面關于神經網絡中隱層數量設計的時候，也涉及到這一點。具體原因我不是很明白，可是這個現象理解。

? ? ? ?如果完全擬合的話，并不能說明你擬合的很好，也有可能是你的數據樣本采集的不正確。

? ? ? 過擬合就是說，僅僅是擬合了某種特定狀況的行為特征。而沒有反應出房價和面積的真正規律。

?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??locally weighted linear regression ? ?

? ? ?局部加權線性回歸。從表面上看局部加權線性回歸還是線性回歸，所以基本結構還是一樣的。不過區別在于，

這個是上一堂線性回歸的要求。

這個是加權線性回歸。多了一個w是權系數。而這個w呢？？

這里這個T呢。叫帶寬系數，是我們自己設定的。和a學習系數的性質差不多。從這個式子可以看出，其實是用周邊的點，來擬合當前的點。離的遠的貢獻就低一些，也就是關聯性不強。這樣擬合的就準確一些。

? ? ? ?按照老師的說法是，w的函數還在討論中，僅僅是e指數比較合適。

? ? ? ?這個函數每一次預測都需要重新局部訓練，具體怎么回事？？還是看視頻吧。好像是每次都是局部擬合，而且線性。用周邊的來預測。說明局部加權回歸這里的i是當前附近的幾個點，在訓練的結果。而最終擬合成非線性函數。

? ? ? ?好像這個是每一次預測都需要重新學習重新擬合，所以數據量大的時候，代價很大。

? ? ? epsilon希臘字母，表示的是error，表示那些沒有被表示出來的特征。被遺忘的參考因素等。

? ? ? 這里的誤差模型為什么選用高斯分布，第一個它只是一個方便的討論模型，第二個，目前最合適的。

?

?

...............未完待續。

?

? ? ? 我能力有限，但是我努力的將學習成果分享。到這里就是我今天所學到的新知識，一起學習一起努力吧。

? ? ??

轉載于:https://www.cnblogs.com/maohuawang/p/3805209.html

總結

以上是生活随笔為你收集整理的FPGA机器学习之stanford机器学习第三堂1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。