本文共 568 字，大约阅读时间需要 1 分钟。

监督式学习的模型表示

训练集的描述：

如：

m 代表训练集中实例的数量

x 代表特征/输入变量

y 输出变量

(x,y) 代表训练集中的实例

(xi,yi) 代表第 i 个观察实例

h 代表学习算法的解决方案或函数也称为假设（hypothesis）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Jm7BIPTq-1605151502349)(https://s1.ax1x.com/2020/11/09/BHuxJJ.png)]

​ 上面为一个监督式学习的工作方式，将我们的训练集数据喂食给这个算法，然后可以给我们返回一个函数h代表学习算法给我们的解决方案，我们可以通过这个函数来根据输入判断输出，就比如根据房子的尺寸估计出房子的价格，h函数相当于一个从x到y的映射，h函数的表达方式有很多种比如最简单的单变量线性表示，抑或多变量一次线性表示来拟合数据，或者多次幂函数来拟合更为复杂的数据。

非监督式学习

非监督式学习与监督式学习的区别主要在于，非监督式学习的训练集数据并不会包含这个数据实例的正确答案，而是依靠非监督式学习算法自己去寻找这些数据的各自特点，一个主要的应用就是应用在聚类算法上面如：

那么聚类算法的作用就是寻找这两波数据的特点，并映射到h函数中，以求能够将两类数据区分出来。

代价函数的介绍

转载地址：http://oicki.baihongyu.com/