音乐

本片由斯坦福

学术发展中心提供

早上好，欢迎回来。今天我们要讲第三课。

这节课

我会涉及这些内容，

当中有些

我今天涉及的内容，可能感觉有点跳，

我的意思是话题和话题之间有点跳跃。但是，这都是依照这节课的教学大纲走的，并且保证了逻辑的连续性。

上节课，我们谈到，

线性回归，今天我要谈谈

一种叫做局部权重回归的适应算法。这是一种非常强大的

算法，也可能是我前一任导师最喜爱的

机器学习算法。随后我们会

讨论一种线性回归的概率解释，

并且用其展开我们的第一个

逻辑回归的分类算法；课程中

会有一段小插曲来略微谈谈感知算法，

详细的内容会在之后的课程中展开；

如果

时间允许，我希望可以讲讲牛顿法，一种用于

Logistic插值回归法的算法。

好了，先让我们回忆下上节课的内容，

回一下我定义的符号，

我用

X^i，

Y^i来表达第i个训练样本。

当

我们谈及线性回归

或者一般最小二乘时，

我们用这个去表示

我假定的H，

在输入值为X^i

时的预测值。

我假定的公式，

系数由向量

系数𝛳表示，

这就等于对j求和的theta_j*x_j

写作theta转置乘以X

我们按习惯约定X_0等于1

对应我们线性回归模型里的

截距项

这里的小写n

是我用的一个记号

来表示训练集合中特征的数量

所以在我们预测房屋售价的例子中，