(1)涉及到的算法

1.監督學習：線性回歸，邏輯回歸，神經網絡，SVM。

線性回歸（下面第三行x₀⁽ⁱ⁾其實是1，可以去掉）

邏輯回歸

神經網絡（寫出前向傳播即可，反向框架會自動計算）

SVM

2.非監督學習：聚類算法(K-mean),降維(PCA)

K-mean

PCA

3.異常檢測

4.推薦系統

(2)策略

1.偏差與方差，正則化

訓練誤差減去人類最高水平為偏差(欠擬合)，交叉驗證集誤差減訓練誤差為方差(過擬合)；

正則化解決方差問題，不對θ₀正則化；

2.學習曲線

全過程觀測偏差與方差，所以更全面。

3.誤差分析

找到哪種原因造成誤差最大，最該花時間的地方。

4.評價方法

盡量使用單一指標評價，準確率不適合類偏斜，用精確度和召回率判定

精確度是預測的視角（預測為正樣本中有多少是正樣本），召回率是樣本視角（正樣本有多少被預測到了）

F1=2（PR）/（P+R）

5.數據集的拆分

訓練集用于訓練模型，，交叉驗證集用于篩選模型/調參，測試集用來做最終評價。

6.上限分析

每一步假設輸出完全正確時，能提高多少的正確率，提高最高的地方就是最該馬上花時間解決的地方。

(3)應用

1.OCR

檢測，分割，識別，現在常常不分割了，直接序列化識別。

2.大規模的機器學習

小批量的訓練方法以及使用并行計算。

轉載于:https://www.cnblogs.com/ys99/p/9277721.html

總結

以上是生活随笔為你收集整理的吴恩达《机器学习》课程总结（19）总结的全部內容，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。