斯坦福CS229(吴恩达授)学习笔记(5)

2024-06-13 00:08

本文主要是介绍斯坦福CS229(吴恩达授)学习笔记(5),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

CS229-notes3

  • 说明
  • 正文
    • Problem Set #2: Kernels, SVMs, and Theory
      • 1. Kernel ridge regression
      • 2. ℓ 2 \ell _2 2 norm soft margin SVMs
      • 3. SVM with Gaussian kernel
      • 4. Naive Bayes and SVMs for Spam Classification

说明

此笔记 是cs229-notes3讲义中的学习内容,与B站上的“07 最优间隔分类器问题;08 顺序最小优化算法”视频对应,主要是该部分对应的习题解答,解答过程中可能会用到cs229-notes1中的部分内容。
课程相关视频、讲义等资料可参照《斯坦福CS229(吴恩达授)学习笔记(1)》 获取。

正文

Problem Set #2: Kernels, SVMs, and Theory

1. Kernel ridge regression

解答:
(a)
J ( θ ) = 1 2 ∑ i = 1 m ( θ T x ( i ) − y ( i ) ) 2 + λ 2 ∣ ∣ θ ∣ ∣ 2 = 1 2 ∑ i = 1 m ( θ T x ( i ) − y ( i ) ) 2 + λ 2 θ T θ J(\theta)=\frac{1}{2}\sum_{i=1}^m(\theta^{T}x^{(i)}-y^{(i)})^2+\frac{\lambda}{2}||\theta||^2=\frac{1}{2}\sum_{i=1}^m(\theta^{T}x^{(i)}-y^{(i)})^2+\frac{\lambda}{2}\theta^T\theta J(θ)=21i=1m(θTx(i)y(i))2+2λθ2=21i=1m(θTx(i)y(i))2+2λθTθ
所以
∂ ∂ θ J ( θ ) = ∂ ∂ θ 1 2 ∑ i = 1 m ( θ T x ( i ) − y ( i ) ) 2 + λ 2 θ T θ = 1 2 ∑ i = 1 m ∂ ∂ θ ( θ T x ( i ) − y ( i ) ) 2 + λ θ = 1 2 ∑ i = 1 m ⋅ 2 ⋅ ( θ T x ( i ) − y ( i ) ) ⋅ x ( i ) + λ θ = ∑ i = 1 m ( θ T x ( i ) − y ( i ) ) x ( i ) + λ θ \begin{aligned} \frac{\partial}{\partial\theta}J(\theta) =&\frac{\partial}{\partial\theta}\frac{1}{2}\sum_{i=1}^m(\theta^{T}x^{(i)}-y^{(i)})^2+\frac{\lambda}{2}\theta^T\theta \\ =&\frac{1}{2}\sum_{i=1}^m\frac{\partial}{\partial\theta}(\theta^{T}x^{(i)}-y^{(i)})^2+\lambda\theta\\ =&\frac{1}{2}\sum_{i=1}^m·2·(\theta^{T}x^{(i)}-y^{(i)})·x^{(i)}+\lambda\theta\\ =&\sum_{i=1}^m(\theta^{T}x^{(i)}-y^{(i)})x^{(i)}+\lambda\theta\\ \end{aligned} θJ(θ)====θ21i=1m(θTx(i)y(i))2+2λθTθ21i=1mθ(θTx(i)y(i))2+λθ21i=1m2(θTx(i)y(i))x(i)+λθi=1m(θTx(i)y(i))x(i)+λθ

X = [ − ( x ( 1 ) ) T − − ( x ( 2 ) ) T − ⋮ − ( x ( m ) ) T − ] y ⃗ = [ y ( 1 ) y ( 2 ) ⋮ y ( m ) ] \begin{aligned} X=&\left[ \begin{matrix} -&(x^{(1)})^T& -&\\ -&(x^{(2)})^T &-\\ &\vdots\\ -&(x^{(m)})^T& - \end{matrix} \right]\\ \vec y=&\left[ \begin{matrix} y^{(1)}\\ y^{(2)}\\ \vdots\\ y^{(m)} \end{matrix} \right]\\ \end{aligned} X=y =(x(1))T(x(2))T(x(m))Ty(1)y(2)y(m)

∂ ∂ θ J ( θ ) = ∑ i = 1 m ( θ T x ( i ) − y ( i ) ) x ( i ) + λ θ = X T ( X θ − y ⃗ ) + λ θ = ( X T X + λ I ) θ − X T y ⃗ \begin{aligned} \frac{\partial}{\partial\theta}J(\theta) =&\sum_{i=1}^m(\theta^{T}x^{(i)}-y^{(i)})x^{(i)}+\lambda\theta\\ =&X^T(X\theta-\vec y)+\lambda\theta\\ =&(X^TX+\lambda I)\theta-X^T\vec y \end{aligned} θJ(θ)===i=1m(θTx(i)y(i))x(i)+λθXT(Xθy )+λθ(XTX+λI)θXTy
∂ ∂ θ J ( θ ) = 0 \frac{\partial}{\partial\theta}J(\theta) =0 θJ(θ)=0,可得 θ = ( X T X + λ I ) − 1 X T y ⃗ \theta=(X^TX+\lambda I)^{-1}X^T\vec y θ=(XTX+λI)1XTy
(b)
首先可以证明
( λ I + B A ) − 1 B = ( λ I + B A ) − 1 ( B − 1 ) − 1 = ( B − 1 ( λ I + B A ) ) − 1 = ( λ B − 1 + A ) − 1 = B B − 1 ( λ B − 1 + A ) − 1 = B ( λ B − 1 B + A B ) − 1 = B ( λ I + A B ) − 1 \begin{aligned} (\lambda I+BA)^{-1}B=&(\lambda I+BA)^{-1}(B^{-1})^{-1}\\ =&(B^{-1}(\lambda I+BA))^{-1}\\ =&(\lambda B^{-1}+A)^{-1}\\ =&BB^{-1}(\lambda B^{-1}+A)^{-1}\\ =&B(\lambda B^{-1}B+AB)^{-1}\\ =&B(\lambda I+AB)^{-1} \end{aligned} (λI+BA)1B======(λI+BA)1(B1)1(B1(λI+BA))1(λB1+A)1BB1(λB1+A)1B(λB1B+AB)1B(λI+AB)1
如果把 x ( i ) x^{(i)} x(i)替换成 ϕ ( x ( i ) ) \phi(x^{(i)}) ϕ(x(i)),则 θ = ( ϕ ( X ) T ϕ ( X ) + λ I ) − 1 ϕ ( X ) T y ⃗ \theta=(\phi(X)^T\phi(X)+\lambda I)^{-1}\phi(X)^T\vec y θ=(ϕ(X)Tϕ(X)+λI)1ϕ(X)

这篇关于斯坦福CS229(吴恩达授)学习笔记(5)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1055728

相关文章

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识