## 机器学习-第二章 回归 黄海广 副教授 2022年09月 ## 本章目录 01 线性回归 02 梯度下降 03 正则化 04 回归的评价指标 ### 1. 线性回归 01 线性回归 02 梯度下降 03 正则化 04 回归的评价指标 ## 回归的概念 ## 监督学习分为回归和分类 ✓ 回归（Regression、Prediction） ✓ 如何预测上海浦东的房价？ ## 线性回归-概念 ## 线性回归（Linear Regression） 是一种通过属性的线性组合来进行预测的线性模型，其目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小化。  ## 线性回归-符号约定 118\end{bmatrix}\quad y^{(2)}=37000 $ $ x_{j}^{(i)} $ 代表特征矩阵中第i行的第j个特征 上图的 $ x_{2}^{(2)}=31,x_{3}^{(2)}=8 $ ## 线性回归-算法流程 x 和 y 的关系 $$ \begin{array}{c}h(x)=w_{0}+w_{1}x_{1}+w_{2}x_{2}+\\ \cdots+w_{n}x_{n}\end{array}

## 机器学习-逻辑回归 黄海广 副教授 2022年02月 ## 本章目录 01 分类问题 02 Sigmoid函数 03 逻辑回归求解 04 逻辑回归代码实现 ### 1. 分类问题 01 分类问题 02 Sigmoid函数 03 逻辑回归求解 04 逻辑回归代码实现 ## 分类问题 ## 监督学习的最主要类型 ## ✓ 分类（Classification） _1.jpg) One-vs-All (One-vs-Rest) 一对多 (一对余) ### 2. Sigmoid函数 01 分类问题 02 Sigmoid函数 03 逻辑回归求解 04 逻辑回归代码实现 ### 2. Sigmoid函数 ## Sigmoid 函数 $ \sigma(z) $ 代表一个常用的逻辑函数（logistic function）为S形函数（Sigmoid function）为S形函数（Sigmoid function） 则： $ \sigma(z)=g(z)=\frac{1}{1+e^{-z}}\quad z=w^{\mathrm{T}}x+b $ 合起来，我们得到逻辑回归模型的假设函数： $$ \mathrm{L}\big(\hat{y},y\big)=-y\log(\hat{y})-(1-y)\log(1-\hat{y}\big) $$ ![Image](/uploa

1.4.1 PyCharm 的安装与配置.....5 1.4.2 张量定义与声明.....6 1.4.3 张量操作.....7 1.5 线性回归预测.....9 1.5.1 线性回归过程.....9 1.5.2 线性回归代码演示.....9 1.6 小结.....11 ## 概述 大家好，本章是主要介绍一下深度学习框架 Pytorch 的历史与发展，主要模块构成与基础操作代码演示。重点介绍 ### 1.5 线性回归预测 上一小节介绍了 Pytorch 框架各种基础操作，本节我们学习一个堪称是深度学习版本的 Hello World 程序，帮助读者理解模型训练与参数优化等基本概念，开始我们学习 Pytorch 框架编程的愉快旅程。 #### 1.5.1 线性回归过程 很坦诚的说，有很多资料把线性回归表述的很复杂、一堆公式推导让初学者望而生畏，无法准确快速理解线性回归，这里作者将通过一 个码农的独特视角来解释线性回归概念。线性回归的本质就是根据给出二维数据集来拟合生成一条直线，简单的图示如下：  ![Image](/uploads/documents/2/e/e/6/2ee661addf0ef113d382ced87d95b02c/p11_2