weixin_42766244的博客

数组和链表是两种基本的数据结构，他们在内存存储上的表现不一样。数组在内存中，数组是一块连续的区域，且存储着相同类型的数据。由于这两个特点，数组具有随机访问的特性。数组需要预留一块连续的内存空间，可能造成浪费。比如预订了10个连续的座位，但是来的人不够10个，那么剩下的位置就浪费了。如果来了11个人，则要么把第11个位置的人移走，要么重新找一个11连坐的座位。插入和删除的效率低。插入数据时，这个位置后面的数据在内存中都要向后移；删除数据时，这个位置后面的数据都要向前移。随机读取数据的效率高。因为数组

7.1 过拟合问题(The problem of overfitting)变量个数不同的情况下，拟合的程度不同。过度拟合问题将会在变量过多的时候出现。过拟合的时候代价函数值会非常接近0甚至为0。第三张图是过拟合状态，这个曲线千方百计地拟合训练集，导致他无法泛化到新样本中。提问：为什么这三条曲线拟合程度不一样？答：与高阶特征有关。特征的次越高，拟合程度越高。泛化：一个假设模型应用到新样本的能力每一个变量看上去都与房价有关，但是当特征变量过多而训练数据过少时，就会出现过拟合问题。提问：数理

6.1 分类(Classification)将线性回归用于分类问题不是一个好主意。红线为增加最右的样本前的拟合，蓝线为增加最右的样本后的拟合。假设阈值为0.5，hθ(x)≥0.5h_\theta(x)\ge0.5hθ​(x)≥0.5的情况下（竖线右边）是患有肿瘤，hθ(x)≤0.5h_\theta(x)\le0.5hθ​(x)≤0.5的情况下（竖线左边）是没有肿瘤。可以发现，红线很好地拟合样本数据，但是在增加一个样本后，蓝线不能很好地拟合数据。线性回归模型对噪音十分敏感线性回归还会出现hθ(x)

4.1 多功能注意：n 代表特征的数量x(i)x^{(i)}x(i)代表第i个训练样本的特征向量xj(i)x^{(i)}_jxj(i)​代表第i个训练样本中第j个特征的值用θ\thetaθ的转置矩阵与训练集样本值的矩阵相乘，在训练集中加多一行样本x0x_0x0​,其中值都为1，与θ0\theta_0θ0​相乘4.2 多元梯度下降下图中J(θ)J(\theta)J(θ)中的θ\t...

3.1 矩阵和向量Matrix/矩阵：Rectangle array of numbers,由数字组成的矩形阵列。Vector/向量：An n x 1 matrix,只有一列的矩阵。一般大写字母代表矩阵，小写字母代表向量3.2 加法和标量乘法比较简单，就不做笔记了3.3 矩阵向量乘法小技巧使用矩阵向量相乘的方法来计算函数hθ(x)h_\theta(x)hθ​(x)的值(参考作业...

2.1 模型描述例子：预测住房价格  红色叉叉是来自数据集描绘的点这是一个监督学习算法的例子，因为每一个例子都有一个“正确”的答案，我们知道卖出的房子的大小和与之对应的价格。这也是一个回归的例子，回归是指我们预测一个具体的数值输出。注意*：训练样本的数量：m = Number of training examples   输入变量/特征：x’s = “input” variabl...