一、回顧線性回歸：
線性回歸：
【每日一更】＜吳恩達-機器學習＞單變數的線性回歸&認識梯度下降_故里的博客-CSDN博客一、單變數線性回歸 - Linear regession with one variable:Supervised Learning: Gives the "right answer" for each example in the data.Regression Problem: Redict real-valued outputClassfication Problem: Discrate-value output1.常用字符標識：(x, y) = One training..
https://blog.csdn.net/weixin_52058417/article/details/121882083?spm=1001.2014.3001.5502
【每日一更】＜吳恩達-機器學習＞多變數線性回歸&學習率&特征值_故里的博客-CSDN博客目錄一、Linear Regression with multiple variable - 多變數線性回歸:二、Gradient descent for multiple carables - 多變數梯度下降:三、Feature Scaling - 特征縮放：1.特征縮放方法：2.歸一化和標準化的區別：四、Learning rate - 學習率:五、Features and polynomial regression:一、Linear Regression with mu.https://blog.csdn.net/weixin_52058417/article/details/121918675?spm=1001.2014.3001.5502
二、回顧Ridge回歸：
三、初識Lasso回歸：
Lasso回歸有時也叫做線性回歸的L1正則化，和Ridge回歸的主要區別就是在正則化項，Ridge回歸用的是L2正則化，而Lasso回歸用的是L1正則化，
四、用坐標軸下降法求解Lasso回歸：
坐標軸下降法顧名思義，是沿著坐標軸的方向去下降，這和梯度下降不同，梯度下降是沿著梯度的負方向下降，不過梯度下降和坐標軸下降的共性就都是迭代法，通過啟發式的方式一步步迭代求解函式的最小值，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/386775.html
標籤：AI