机器学习

异常检测 异常检测是一种无监督学习算法，选定一些特征作为输入，输出为概率 $p(x)$ ，当 $p(x_{test}) < \epsilon$ 时，概率 $p$ 小于异常的阈值 $\epsilon$ ， 那么判断样本为异常样本。使用场景有飞机引擎的异常检测，用户行为异常检测，数据中心的机器是否

神经元 神经网络由多个神经元组成，其中神经元由几个部分组成：输入、输入权重、输出和激活函数组成，类似于生物神经元的树突、轴突的组成。 神经元的输入由左边的神经元输出 $x$ 乘以权重 $w$ 并加和得到，输出的时候，类似

二分类问题 问题定义：给定一些特征，给其分类之一。 假设函数 $h(x)$ 定义： $$ h(x) = g(\theta^Tx) $$ $$ g(z) = \dfrac{1}{1 +e^{-z}} $$ 决策边界： 当 $h(x) >= 0.5$ 的时候，y 更有可能预测为 1。 当 $h(x) < 0.5$ 的时候，y 更有可能预测为 0。 当 z 的值为 0，也就是 $\theta^Tx$ = 0 时就是

单元线性回归 1、定义假设函数 $h(x) = \theta_1x + \theta_0$ 2、尝试用样本拟合假设函数，所有样本点到假设函数的距离，其中$m$为样本数量: $$sum = \dfrac{1}{2m} \sum_{1}^{m} (h(x_i) - y_i)^2$$ 3、当 sum 的值越小，假设函数的偏差就预测样本更加精确。这个表达式就是代价