本文记录了一个机器学习初学者使用线性回归预测房价的实践过程。文章首先介绍了所需的工具包（NumPy和Matplotlib）及中文显示配置问题。然后详细展示了如何生成50套模拟房屋数据，包括真实价格公式（房价=3+2.5*面积）和添加高斯噪声。核心部分讲解了成本函数（均方误差）和梯度下降算法的实现原理，通过迭代优化参数w和b。实验结果显示模型成功拟合出了接近真实规律的参数（w=2.5,b=3.0），

本文记录了使用逻辑回归预测学生录取结果的完整过程，从数据生成、模型构建到结果可视化。作者分享了关键踩坑经验：未进行特征归一化导致损失曲线剧烈震荡，通过添加归一化代码（(x-mean)/std）后模型快速收敛。文章详细展示了Sigmoid函数、对数损失函数和梯度下降的实现，并强调预测时必须使用训练集的归一化参数。最终模型成功绘制出完美决策边界，准确预测了新生的录取概率（70分和50分对应未录取）。核

本文通过对比实验展示了正则化在机器学习中的作用。作者使用8个高次特征构建线性回归模型，模拟过拟合现象，并比较了不同正则化系数（λ=0、1、10）下的训练效果。实验结果表明：无正则化时模型过拟合严重（λ=0），适度正则化（λ=1）能有效平滑曲线并提高泛化能力，而过强正则化（λ=10）会导致欠拟合。正则化通过在成本函数中添加权重惩罚项，控制模型复杂度，从而在拟合数据和保持泛化能力之间取得平衡。关键在于

本文系统介绍了单隐藏层神经网络的基本原理。首先解释了神经元模型的结构（线性加权+非线性激活），对比了Sigmoid、tanh和ReLU三种激活函数的特性。然后详细推导了神经网络的前向传播过程（输入层→隐藏层→输出层），强调激活函数是实现非线性的关键。接着通过反向传播算法，利用链式法则计算各层参数的梯度，并采用梯度下降法更新权重。文章揭示了神经网络的四个核心原理：激活函数的非线性本质、前向传播的特征

本文记录了一个机器学习初学者使用线性回归预测房价的实践过程。文章首先介绍了所需的工具包（NumPy和Matplotlib）及中文显示配置问题。然后详细展示了如何生成50套模拟房屋数据，包括真实价格公式（房价=3+2.5*面积）和添加高斯噪声。核心部分讲解了成本函数（均方误差）和梯度下降算法的实现原理，通过迭代优化参数w和b。实验结果显示模型成功拟合出了接近真实规律的参数（w=2.5,b=3.0），

本文记录了使用逻辑回归预测学生录取结果的完整过程，从数据生成、模型构建到结果可视化。作者分享了关键踩坑经验：未进行特征归一化导致损失曲线剧烈震荡，通过添加归一化代码（(x-mean)/std）后模型快速收敛。文章详细展示了Sigmoid函数、对数损失函数和梯度下降的实现，并强调预测时必须使用训练集的归一化参数。最终模型成功绘制出完美决策边界，准确预测了新生的录取概率（70分和50分对应未录取）。核