标签:
发现模式
线性模型和神经网络原理和目标基本上是一致的,区别体现在于求导环节。如果对线性模型熟悉,神经网络就会很好理解,模型实际上都是一个从输入到输出的函数,我们希望用这些模型发现数据中的模式,发现数据中存在的函数依赖,当然前提是数据中本身就存在这样的函数依赖。数据集有很多种类型,可能是有结构的,比如关系数据库中的表,也可能是无结构的,比如文本。我们现在考虑的是一种典型的数据集,这种数据集是一张关系表,每一条记录都代表了一个实体,比如说一朵花,关系表共有n个字段,前n-1个字段是实体的各种特征,比如花瓣的长度和宽度;最后一个字段是实体的标签,标签是一些离散的值,比如如果一条记录代表一朵梅花,那么它的标签0,如果是一朵兰花,那么它的标签就是1,当然也可以是其他的值。我们用 x 来表示每条记录的前n-1个字段,用 y 来表示每条记录的标签。
现在我们的目标就是希望发现一种模式,也就是从特征到标签的函数依赖关系f,使得对尽可能多的记录有 f(x) ≈ y。
\begin{equation} \int_0^\infty \frac{x^3}{e^x-1}\,dx = \frac{\pi^4}{15} \label{eq:sample} \end{equation}
Logistic回归模型
线性回归模型
神经网络
标签:
原文地址:http://www.cnblogs.com/xinchrome/p/4746677.html