「andrew ng」Andrew Ng Machine Learning 第九周

andrew ng

Andrew Ng Machine Learning 第九周

前言
异常检测

1.目标动机
2.高斯分布（正态分布）
3.算法
4.开发和评估异常检测
5.异常检测VS监督学习
6.选择要使用的功能

(1)特征高斯化
(2)误差分析

7.多变量高斯分布
8.使用多变量高斯分布的异常检测

推荐系统

1.问题规划
2.基于内容的推荐算法
3.协同过滤
4.协同过滤算法
5.算法执行步骤
6.矢量化：低轶矩阵分解
7.均值规范化

题目

1.Question 1
2.Question 2
3.Question 3
4.Question 4
5.Question 5
6.Question 6
7.Question 7
8.Question 8
9.Question 9
10.Question 10

前言

网易云课堂（双语字幕，不卡）：https://study.163.com/course/courseMain.htm?courseId=1004570029

Coursera：https://www.coursera.org/learn/machine-learning

本人初学者，先在网易云课堂上看网课，再去Coursera上做作业，开博客以记录，文章中引用图片皆为课程中所截。

异常检测

1.目标动机

在这里插入图片描述

Tips：判断新的x_test是否是异常数据

在这里插入图片描述

Tips：由现有的训练集拟合出一个p(x)模型，将p(x_test)代入模型，将结果与ε对比，若小于ε，即说明新的点落在该模型的概率过小，即为异常

2.高斯分布（正态分布）

在这里插入图片描述

3.算法

Tips：假设p(x)拟合为高斯分布

在这里插入图片描述

Tips：对于每个特征x，求出相应的高斯分布参数μ和σ，最后将每个p(x_i)相乘，得出最后的p(x)

4.开发和评估异常检测

在这里插入图片描述

Tips：以上为假设情况，假设分配情况如上

在这里插入图片描述

Tips：在训练集上模型p(x)，在交叉集或者测试集上测试当前p(x)情况

在这里插入图片描述

Tips：评估方法在第六周笔记，同样ε也用这种方法来决定

5.异常检测VS监督学习

在这里插入图片描述

Tips：简单来说，异常检测情况是当正样本很少负样本很大的时候或者出现异常的情况很多的时候使用

6.选择要使用的功能

(1)特征高斯化

在这里插入图片描述

(2)误差分析

在这里插入图片描述

Tips：用从训练集中得到的p(x)去在交叉集上验证，将其中验证有误差的样本人为的挑选出来，并且根据特征判断出是否应该有新的特征

7.多变量高斯分布

在这里插入图片描述

Tips：简单来说，本来cpu Load和Memory Use应该是线性关系，所以我们需要的数据模型p(x)应该是个椭圆，可是按照上述方法，p(x)所拟合的永远会是一种圆形，则无法判断出它的异常性

在这里插入图片描述

8.使用多变量高斯分布的异常检测

在这里插入图片描述

1.问题规划

在这里插入图片描述

Tips：很常见的网站自动推荐的问题。这里n_μ=4，n_m=5，r(1,1)=1,r(3,1)=0。问题就是通过大量的r(i,j)和y(i,j)去判断那些没有评价的电影的星级来进行电影推荐

2.基于内容的推荐算法

在这里插入图片描述

Tips：假设对于每部电影都创建两个特征值，并且向量化，即对于第一部电影有特征向量x⁽¹⁾=(1,0.9,0)，此处1为截距特征，然后把这个系统当作一个线性回归问题

在这里插入图片描述

Tips：为了判断用户j对某个没评价电影的评分，假设学习一个θ向量来计算评分

在这里插入图片描述

Tips：为了学习θ，定义了相应的代价函数，为了训练出参数θ，即

Andrew Ng Machine Learning 第九周

andrew ng

Andrew Ng Machine Learning 第九周

前言

异常检测

1.目标动机

2.高斯分布（正态分布）

3.算法

4.开发和评估异常检测

5.异常检测VS监督学习

6.选择要使用的功能

(1)特征高斯化

(2)误差分析

7.多变量高斯分布

8.使用多变量高斯分布的异常检测

推荐系统

1.问题规划

2.基于内容的推荐算法

相关阅读

栏目导航

推荐阅读

热门阅读