笔者对机器学习这门课程的学习开始于二年级的《数据挖掘》，当时老师对数据挖掘中的常用的算法做了一些介绍，但这仅仅是个入门教学，我并没有深入了解的其中的原理。到现在笔者深刻的意识到ML的重要性，于是抽空看了一些这方面的资料，整理了这一份文档。
机器学习算法包括，监督学习(回归、分类)以及非监督学习(聚类)。
其中为学习率一般为很小的数字(0.001-0.1)，为我们需要求解的参数，为能量函数或者为损失函数，通过上述公式可知，梯度下降是沿着损失函数梯度的反方向寻找迭代寻找最优值的过程。梯度下降容易陷入局部最极小点，所以我们要采取一定的措施来阻止这种现象的发生。
如果训练样本的特征过多，我们学习的假设可能在训练集上表现地很好，但是在验证集上表现地就不尽人意
对于线性回归而言，其损失函数形式如下：
引入正则化之后的损失函数的形式为：
Repeat:
梯度下降法的学习率需要提前指定，并且还要制定收敛标准。
上式是对线性回归正则化后的解析解。可以证明的是当时，求逆符号内部的式子总是可逆的。
在没有加入正则化之前，逻辑回归的损失函数的形式是这样的：
加入正则项之后的形式为：
同线性回归的GD迭代求解。
支持向量机又被称作最大间距（Large Margin）分类器，损失函数的形式是：
其中：，以及的形式如下图所示：
在考虑到soft margin时的损失函数是hinge损失，SVM就等价于Hinge损失函数+L2正则。此时损失函数为0时候就对应着非支持向量样本的作用，“从而所有的普通样本都不参与最终超平面的决定，这才是支持向量机最大的优势所在，对训练样本数目的依赖大大减少，而且提高了训练效率”。 以下是七月在线大神July写的一篇关于SVM的介绍，个人觉得不错。分享下：支持向量机通俗导论（理解SVM的三层境界）。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。