本文共 373 字，大约阅读时间需要 1 分钟。

一.误差

讲的很不错，我最初学机器学习就是看吴恩达的课程，当初他就讲了平方项误差是由高斯分布通过极大似然求得的，当时还不是特别理解，之后很多的教材也没有对这方面进行解释，没想到这里给推导了一遍，很不错。

这张幻灯片有一个问题，$X\theta$都是列变量是不能相乘的，这里应该有一个转置。 注意：能用这个方式直接求出结果的条件很苛刻那就是$X^{T}X$必须是非奇异矩阵，大部分实际条件下，这个条件并不满足，所以我们并不这样用。

这里的评估方法没有直接使用残差平方和，而使用了一个比值。

二.梯度下降

梯度下降算法这部分没有讲好，并没有讲梯度下降算法是怎么推导出来的，在机器学习基石视屏里面这个有详细的推导。

三.逻辑回归

上面这几张图虽然精简但是将逻辑回归讲的非常全面了

以上图片来自：唐宇迪大数据分析与机器学习

侵删

转载地址：http://mxzlf.baihongyu.com/