http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=MachineLearning&doc=exercises/ex2/ex2.html
练习1 的作业 :
我使用的 Octave ,
Understanding
We'd like to understand better what gradient descent has done, and visualize the relationship between the parameters and . In this problem, we'll plot as a 3D surface plot. (When applying learning algorithms, we don't usually try to plot since usually is very high-dimensional so that we don't have any simple way to plot or visualize . But because the example here uses a very low dimensional , we'll plot to gain more intuition about linear regression.) Recall that the formula for is
程序如下:
x = load('C:/Users/samsung/Desktop/ex2Data/ex2x.dat'); y = load('C:/Users/samsung/Desktop/ex2Data/ex2y.dat'); m= length(y); x = [ones(m,1),x]; J_vals = zeros(100,100); theta0_vals = linspace(-3,3,100); theta1_vals = linspace(-1,1,100); for i =1:length(theta0_vals) for j = 1:length(theta1_vals) t=[theta0_vals(i);theta1_vals(j)]; J_vals(i,j) = (x*t - y)'*(x*t-y)/(2*m); end end J_vals = J_vals'; figure; surf(theta0_vals, theta1_vals, J_vals); xlabel('\theta_0'); ylabel('\theta_1');
练习 2 :
x = load('C:/Users/samsung/Desktop/ex2Data/ex2x.dat'); y = load('C:/Users/samsung/Desktop/ex2Data/ex2y.dat'); figure % open a new figure window plot(x, y, 'o'); ylabel('Height in meters'); xlabel('Age in years'); theta = [0;0]; alfa = 0.07; m = length(y); x = [ones(m,1),x]; ##temp = x(:,2)' *(x*theta -y)/m * alfa; #for i = 1:1500 #theta =theta - x' *(x*theta -y)/ m * alfa; #end ##z这里的循环使用了 梯度下降迭代法,求出 theta theta = inv(x'*x)*x'*y; ##是同一公式,计算速度快 hold on % Plot new data without clearing old plot plot(x(:,2), x*theta, '-') % remember that x is now a matrix with 2 columns % and the second column contains the time info legend('Training data', 'Linear regression')
相关推荐
本文档包括吴恩达机器学习视频百度网盘(视频+PPT+个人笔记+作业)
吴恩达机器学习讲义,以及一些练习。线性代数和概率论的基础知识的讲义 线性代数和概率论的基础知识的讲义
matlab正态曲线拟合代码Coursera-机器学习作业 这是我对Andrew Ng教授的所有机器学习(Coursera)编程任务的解决方案。 完成本课程后,您将对机器学习算法有一个广泛的了解。 首先尝试自己解决所有任务,但是如果您...
这个项目是我的学习笔记,内容还在完善中。如果遇到图片无法显示,可以下载后查看。 目录 数学基础 机器学习 该部分以《视觉机器学习二20讲》为主线,扩展内容增加公式推导步骤。 K-means K-means++ 算法 ISODATA ...
matlab补码变原始码NextAI机器学习 NextAI机器学习技术流课程的材料。 必备材料 我们鼓励您在机器学习课程之前阅读以下主题。 对这些问题保持警惕是很常见的,特别是如果您已经放学了一段时间。 我提供了Marc Peter ...
Stanford CS229 Python机器学习 该存储库包含问题集以及Stanford CS229-在Coursera上用Python 3编写的机器学习课程的解决方案。我还记了一些其他注释。 请查看和。 请注意,您的解决方案将不会获得评分,也不会以...
我的资料库的目的是为学生提供机器学习的基础数学(特别是那些在帝国理工学院伦敦机器学习数学课程的学生)一些有用的资源,并提供一些指南来指导该课程中的实践练习。 该存储库涵盖以下主题: 线性代数 多元微...
Ng的《机器学习》以及作为编程练习的荣誉代码。 在本课程中,您将获得一些基本算法的直觉。 例如回归(线性和逻辑),神经网络,SVM(支持向量机)和聚类(K均值)等。 此外,您还将学习如何评估机器学习系统,或者...
使用Python的数据科学项目采用案例研究方法来模拟您在应用数据科学和机器学习概念时将遇到的工作条件。 您将看到一个问题和一个数据集,并逐步完成了以下步骤:定义一个可回答的问题,确定要使用的分析方法以及在...
通过这个项目,我有机会“刷新”我的机器学习知识并练习我的Python编程技能,特别是提高了我在python中使用库进行科学计算的经验,例如scikit-learn,numpy,scipy,matplotlib-非常方便的库在我看来,python可以...
来自LinkedIn学习的人工智能,数据科学和机器学习的各种课程词汇,注释和练习文件的集合 数据科学概论2(Madecraft和Lavanya Vijayan) python-data-analysis-2,作者Michele Vallisneri 微软机器学习必备数学版 ...
随书的网页“机器学习的数学” Marc Peter Deisenroth,Aldo Faisal和Cheng Soon Ong版权所有2020。 由剑桥大学出版社出版。 我们正在写一本关于机器学习数学的书,以激励人们学习数学概念。 该书无意涵盖先进的...
统计机器学习1RT700 此存储库用于托管乌普萨拉大学“”课程中的练习课程所需的文件。问题解决会议下面提供了与每个会话相关的材料以及一系列建议的问题。 对于每个会议,材料包括以下内容: 笔和纸课: 带有问题和...
对JIA进行分类可以帮助您利用佐治亚理工学院Inan研究实验室的一些数据来练习机器学习技能,最后还要尝试一些挑战。 特别考虑了机器学习主题,特别是处理生物医学数据。 我建议先阅读“线性回归”笔记本,然后再...
matlab逻辑回归公式代码机器学习 监督学习 问题 给定训练集 m :训练集数 :输入值 :输出值 客观的 找到功能来进行预测,以使预测最小。 测量预测值与的差异。 的公式取决于问题的类型。 线性回归: 逻辑回归: :...
机器学习基础(乌得勒支应用科学大学)在Canvas上有什么,在GitHub上有什么? 在GitHub上:示例笔记本,幻灯片,额外材料,练习(幻灯片中),数据集在画布上:学生手册,作业,指向网络研讨会录像的链接,每周内容...
作为本练习的一部分,将探索各种机器学习技术。 粗略概述如下: 数据输入 EDA 使用梯度下降的线性回归 线性回归成本函数 线性回归梯度函数 梯度下降功能 拟合线性回归参数 学习率调整 参数解释和可视化 多项式...
matlab多元参数非线性回归模型代码完善的机器学习:笔记,练习和Jupyter笔记本 在下面,您将找到补充第二版《机器学习精炼》(由剑桥大学出版社出版)的一系列资源。 目录 小部件样本和我们的教学法 我们相信,只有...
课程的“斯坦福大学机器学习”课程第4周编程练习的Octave / Python改编。 具体而言,目标是训练线性分类器以预测从0到9的拟人数字。这是通过使用逻辑回归并使用“一对多”方法对多个类别进行分类来实现的。 训练本身...
使用MLJ和JuliaCon2020在Julia中进行机器学习 研讨会的交互式教程,介绍了机器学习工具箱 (v0.14.4) 这些教程已准备就绪,可在JuliaCon2020的3 1/2小时在线研讨会中使用, 记录。 他们的主要目的是向数据科学家...