目录

前言：

学习的方法：

最小二乘法：

正则化：

小结：

参考资料：

前言：

大致看完了吴恩达老师的视频后，对于机器学习有了一定的了解，但是无监督学习部分只理解了K-Means，监督学习算是入门了可是视屏听完以及完成了笔记后，感觉这部分算法掌握的不全，故重新看书。

学习的方法：

照着书本上代码敲，机器学习实战、

最小二乘法：

import numpy as np
import scipy as sp
from scipy.optimize import leastsq
import matplotlib.pyplot as plt
%matplotlib inline


# 目标函数
def real_func(x):
    return np.sin(2*np.pi*x)
# 多项式
def fit_func(p, x):
    f = np.poly1d(p)
    return f(x)
# 残差
def residuals_func(p, x, y):
    ret = fit_func(p, x) - y
    return ret


# 十个点
x = np.linspace(0, 1, 10)
x_points = np.linspace(0, 1, 1000)
# 加上正态分布噪音的目标函数的值
y_ = real_func(x)
y =[np.random.normal(0, 0.1) + y1 for y1 in y_]

def fitting(M=0):
    """
    M 为多项式的次数
    """
    # 随机初始化多项式参数
    p_init = np.random.rand(M +1)
    # z最小二乘法
    p_lsq = leastsq(residuals_func, p_init,args=(x, y))
    print('Fitting Parameters:', p_lsq[0])
    
    #可视化
    plt.plot(x_points, real_func(x_points), label='real')
    plt.plot(x_points, fit_func(p_lsq[0], x_points),label = 'fitted curve')
    plt.plot(x,y,'bo',label='noise')
    plt.legend()
    return p_lsq

当M=9时，多项式曲线通过了每个数据点，但是造成了过拟合

正则化：

小结：

结合吴恩达笔记，画图。这部分是比较容易理解的。需要掌握的就是最小二乘法以及正则化问题。

https://blog.csdn.net/qq_37457202/article/details/106848778

参考资料：

Apache CN 的机器学习基础笔记

统计学习方法-李航

Jack Cui的机器学习笔记https://cuijiahua.com/blog/ml/

https://blog.csdn.net/qq_37457202/article/details/106848778