本文不涉及细节理论，只做必要性的介绍，侧重代码实现。线性模型-多分类问题的理论分析只有二分类是完全不够用的，因此需要其他的算法来解决多分类问题。例如识别数字0-9有10种情况。多分类问题模型是从二分类延申出来的。类比二分类即可学习。1.确定拟合函数h(x)从单样本开始对于一组样本{x,y=j}j∈[1,k]来说。对于x的预测结果可能有多个，如何确定最终的结果呢？判断概率P(y=j∣θ,x)，那个概

组里面分配了台gpu服务器，让我负责管理，需要先配置一些深度学习环境，记录一下。一些linux服务器常用命令：https://blog.csdn.net/qq_51570094/article/details/123949910。

本文不涉及细节理论，只做必要性的介绍，侧重代码实现。线性模型-多分类问题的理论分析只有二分类是完全不够用的，因此需要其他的算法来解决多分类问题。例如识别数字0-9有10种情况。多分类问题模型是从二分类延申出来的。类比二分类即可学习。1.确定拟合函数h(x)从单样本开始对于一组样本{x,y=j}j∈[1,k]来说。对于x的预测结果可能有多个，如何确定最终的结果呢？判断概率P(y=j∣θ,x)，那个概

本博客的理论细节在这里：机器学习入门-分类问题的拟合本博客侧重于实现，细节理论不再过多赘述，只简单介绍。逻辑回归理论分析逻辑回归就是一个二分类问题的分类算法，其根据得出的回归函数可以分为线性逻辑回归和非线性逻辑回归。1.确定拟合函数h(x)要拟合的函数有两个，分别是线性逻辑回归函数和非线性逻辑回归函数线性逻辑回归对于超平面来说，线性回归的模型是h(x)=kx+b这个k，x，b都可以是多维的，只需要

组里面分配了台gpu服务器，让我负责管理，需要先配置一些深度学习环境，记录一下。一些linux服务器常用命令：https://blog.csdn.net/qq_51570094/article/details/123949910。

组里面分配了台gpu服务器，让我负责管理，需要先配置一些深度学习环境，记录一下。一些linux服务器常用命令：https://blog.csdn.net/qq_51570094/article/details/123949910。

数据压缩在存储数据和使用数据的时候，过多的数据会造成空间上的占用和时间上的消耗。如果我们能够将数据压缩的更少一点，即可使用更少的空间和时间进行训练模型。例1：从2维到1维。当2维的点均匀的分布在某一条直线附近，即可使用该直线所在的1维值来表示之前的2维的值。当二维变量能够通过一条线表示出来的时候，我们就可以用一个变量来表示该二维变量了,即：x(i)∈R2−>z(i)∈Rx(i)表示第i个样本

本文不涉及细节理论，只做必要性的介绍，侧重代码实现。线性模型-多分类问题的理论分析只有二分类是完全不够用的，因此需要其他的算法来解决多分类问题。例如识别数字0-9有10种情况。多分类问题模型是从二分类延申出来的。类比二分类即可学习。1.确定拟合函数h(x)从单样本开始对于一组样本{x,y=j}j∈[1,k]来说。对于x的预测结果可能有多个，如何确定最终的结果呢？判断概率P(y=j∣θ,x)，那个概

本文不涉及细节理论，只做必要性的介绍，侧重代码实现。线性模型-多分类问题的理论分析只有二分类是完全不够用的，因此需要其他的算法来解决多分类问题。例如识别数字0-9有10种情况。多分类问题模型是从二分类延申出来的。类比二分类即可学习。1.确定拟合函数h(x)从单样本开始对于一组样本{x,y=j}j∈[1,k]来说。对于x的预测结果可能有多个，如何确定最终的结果呢？判断概率P(y=j∣θ,x)，那个概

本博客的理论细节在这里：机器学习入门-分类问题的拟合本博客侧重于实现，细节理论不再过多赘述，只简单介绍。逻辑回归理论分析逻辑回归就是一个二分类问题的分类算法，其根据得出的回归函数可以分为线性逻辑回归和非线性逻辑回归。1.确定拟合函数h(x)要拟合的函数有两个，分别是线性逻辑回归函数和非线性逻辑回归函数线性逻辑回归对于超平面来说，线性回归的模型是h(x)=kx+b这个k，x，b都可以是多维的，只需要