吴恩达 coursera ML 第十一课总结+作业答案

前言

吴恩达的课程堪称经典，有必要总结一下。
学以致用，以学促用，通过笔记总结，巩固学习成果，复习新学的概念。

目录

正文

本章主要是讨论优化目标。
首先我们再仔细讨论一下逻辑回归。
误差例子
支撑向量机的误差函数。
svm的假设

大分割界限的启示

支撑向量机的假设，不等式放缩。支撑向量机的决策边界。

svm边界，线性可分的情况。
## svm额外知识
向量内积
svm决策边界。
支持向量机决策边界
非线性决策边界
核函数的定义。
核函数和相似性。
例子，更改方差对这个函数的影响。
核函数的影响。

核函数二

选择地标。
带核的支撑向量机。
带核的支撑向量机
惩罚参数C对于函数的影响。

使用svm解决问题的

需要确定参数c和相似系数以及映射函数

高斯核函数，记得提前归一化尺度。
再选择核时需保证他不越界。
多分类问题
可以使用多分类svm也可以使用一个对所有方法。

逻辑回归和svm的比较。