跳到主要內容

淺談機器學習原理-Linear Model

Linear Regession

淺談機器學習原理-Linear Model

Linear Regession

需要預測數值，輸出為實數的數值，我們就稱為它是regession的任務。

  • 範例:Netflix百萬獎金比賽，有100萬筆的rating資料與480K的使用者給17.7k的電影來評分，預測使用者評分電影的星星*數量。

(1)定義問題是否需要使用ML: 預測使用者評分電影的星星*數量，算是一個複雜的問題。且知道評分結果為1~5星，可以知道這是一個regression的任務

(2)收集資料: Netflix有100萬筆的rating資料與

(3)定義模型:假設它是regession問題，我們可以知道hypothesis: h(x) = wT∗xw^T *x的方程式。我們可以與分類Perceptron的公式來比較。

Linear Regession :用來找到最接近實際目標值，也就是最小誤差error的值

(4)測量誤差: squared error : (預測值−真實的值)2(預測值-真實的值)^2 ，我們算出誤差值後，如何得到最小的誤差min(Error(x))

理想化的誤差值

我們可以假設誤差接近於0值為球體的位置，是在曲線的最下方也就是偏微分等於0的位置，我們要找的讓W偏微分等於零。

Statistics vs Machine Learning

Statistics: 統計比較著重在數學的推論

Machine Learning: 機器學習比較著重在資料計算，統計工具對機器學習領域是很有幫助

Logistic Regression 邏輯回歸

需要預測機率，輸出為小數點，我們就稱為它Logistic Regression任務。資料輸出為+1,-1的值，可以預測為機率發生，可以由公式可以知道x在發生+1的機率是多少。範例: 疾病預測、鐵達尼的死完的機率

機率值是介於0~1之間

(1)定義模型:我們一樣使用w∗xw*x的方程式，算出多少機率會發生為S=1，我們通常會hypothesis是一個指數的方程式，當S越大表示發生的機率為1，越小就為0。

(2)測量誤差: 這個跟線性的概念一樣，需要找到與現實差距最小的誤差值，實務上會使用gradient descent驗算法來找到w的這個目標值。

總結:

  1. Linear Classificatoin: 分類問題0或1，這類問題比較特殊案例。

  2. Linear Regression : 線性回歸就是找到w=0的情況就是最佳解

  3. Logistic Regression : 邏輯回歸是找到w最小為機率大

任何情況可以優先考慮Linear Models來解。

參考資料

台大資訊 人工智慧導論影片

https://www.youtube.com/watch?v=BLldaAhrIrA&list=PLOAQYZPRn2V658cD6AjiBmKohfMIevWO7&index=6

https://www.youtube.com/watch?v=lSZWZo7mmnQ

標籤：

留言

張貼留言

這個網誌中的熱門文章

GSON基礎教學

GSON 前言 JSON是很常見的資料交換格式，在JAVA領域常用處理JSON的函式庫:GSON、FastXML和JSON-B，本章節會以GSON為主，學習目標如下 JSON格式說明 GSON 套件函式 GSON: 物件轉換JSON字串 GSON: JSON字串轉換物件 JSON 格式說明 JSON全名為JavaScript Object Notation，它是一種輕量級的資料交換格式，會大為流行的理由，主要是他比傳統用xml更輕巧且容易處理， JSON表達方式物件會用大括弧{}，陣列則是用中括號[]。 用JSON字串來表達Employee的物件內容，由JSON字串可以知道物件name、age、sex和salary屬性。 JSON表示員工資料方式: {“name”:”Jack Bryant”, “age”:18, “sex”:”M”,”salary”:3500.00} JSON陣列表示方式: 跟我們使用JAVA的陣列方式類似，內容值可以是數字’、文字、布林、陣列、物件、null等等。 範例: 字串: [“紅”、”橙”、”黃”、”綠”、”青”、”藍”、”紫”} 布林: [true, true, false, false, true, true] GSON 套件函式 Gson為google所發布的函式庫，主要將物件與json字串之間的轉換時方便使用。當我們將JAVA物件轉換成JSON字串稱為 序列化 ，JSON字串轉換至JAVA物件稱為 反序列化 。 GSON: 物件轉換JSON字串 有了JSON基本概念後，我們進入本章重點，首先我們需要建立員工類別(Employee)，定義如下 物件 屬性 員工類別 Employee name 名字 age 年紀 sex 性別 salary 薪水 /** * name:員工類別 */ public class Employee implements Serializable { //constructor public Employee(String name, double salary){ this.name = name; this.sala
張貼留言
閱讀完整內容

PHP與Python搭配

今天介紹如何利用php網頁呼叫目錄下的python程式工作或是資料交換，本人整理的方法有兩種 使用system()、exec()、shell_exec()呼叫程式 (1) string system ( string return_var ] ) 參考網址 官網解釋system()用來執行外部命令，返回為印出的結果，passthru()跟system()類似但是它不會返回結果。 範例1. 利用system執行ls指定並顯示在網頁上，無法使用變數保留ls的結果 檔案名稱: psystem.php $jsondata= system("ls -al", $result); 結果: (2) exec() : string exec ( string output [, int &$return_var ]] ) 參考網址 範例2. 利用exec執行python程式並可以回傳json格式給前端網頁做處理並顯示。我們ptopy.php就是可以看到callpy()為執行py的函式，它執行完pyEx01.py會將結果給$jsondata變數，做後面json解析。 檔案名稱: ptopy.php function callpy() { $jsondata= exec("/usr/bin/python pyEx01.py"); return $jsondata ; } $jsondata= callpy(); echo $jsondata ; echo " " ; $obj = json_decode($jsondata) ; echo "name:".$obj-> { 'name'} .',' ; echo "id:".$obj-> { 'id'} ; 檔案名稱: pyEx01.py import sys
張貼留言
閱讀完整內容

Python AI-問題集

Python AI-問題集 問題集 Jupyter Notebook執行ipywidgets會出現kernel死掉的錯誤發生(The kernel appears to have died) 解決方法 (1) 根據log檔來判斷問題： 例如：log訊息出現OMP: Error #15: Initializing libiomp5.dylib, but found libiomp5.dylib already initialized. (2) 根據問題關鍵字找出問題所在： 利用google查詢所遭遇到的問題，例如我把上面的問題上google查詢可以找到這篇的解法 https://blog.csdn.net/bingjianIT/article/details/86182096 (3)實作解法： 我實作下面解法後，就可以順利執行手寫辨識的程式． //在Python宣告時加入 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 參考 https://blog.csdn.net/bingjianIT/article/details/86182096
1 則留言
閱讀完整內容