前言

吳恩達的課程堪稱經典，有必要總結一下。
學以致用，以學促用，通過筆記總結，鞏固學習成果，復習新學的概念。

目錄

文章目錄

• 前言
• 目錄
• 正文
• • 大分割界限的啟示
  • 核函數二
  • 使用svm解決問題的

正文

本章主要是討論優化目標。
首先我們再仔細討論一下邏輯回歸。
誤差例子
支撐向量機的誤差函數。
svm的假設

大分割界限的啟示

支撐向量機的假設，不等式放縮。支撐向量機的決策邊界。

svm邊界，線性可分的情況。
## svm額外知識
向量內積
svm決策邊界。
支持向量機決策邊界
非線性決策邊界
核函數的定義。
核函數和相似性。
例子，更改方差對這個函數的影響。
核函數的影響。

核函數二

選擇地標。
帶核的支撐向量機。
帶核的支撐向量機
懲罰參數C對于函數的影響。

使用svm解決問題的

需要確定參數c和相似系數以及映射函數

高斯核函數，記得提前歸一化尺度。
再選擇核時需保證他不越界。
多分類問題
可以使用多分類svm也可以使用一個對所有方法。

邏輯回歸和svm的比較。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的吴恩达 coursera ML 第十一课总结+作业答案的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。