python字典的顯著標(biāo)識(shí)？（1）部分無(wú)序，也就是說(shuō)，沒(méi)有必要期盼字典數(shù)據(jù)的訪問(wèn)順序。唯一的訪問(wèn)順序徹底由Python解釋什么器決定。（2）鍵值對(duì)，這在其他編程語(yǔ)言中也被稱(chēng)為關(guān)系數(shù)組和散列，其應(yīng)用方法

python字典的顯著標(biāo)識(shí)？

（1）部分無(wú)序，也就是說(shuō)，沒(méi)有必要期盼字典數(shù)據(jù)的訪問(wèn)順序。唯一的訪問(wèn)順序徹底由Python解釋什么器決定。

（2）鍵值對(duì)，這在其他編程語(yǔ)言中也被稱(chēng)為關(guān)系數(shù)組和散列，其應(yīng)用方法在不好算開(kāi)發(fā)中也是非常普便，json和XML形式的數(shù)據(jù)大多數(shù)由這個(gè)數(shù)據(jù)結(jié)構(gòu)全面處理。

（3）對(duì)象數(shù)學(xué)集合，這意味著和列表一樣，這個(gè)可以包涵任何形式的數(shù)據(jù)。

注意一點(diǎn)，字典中的鍵是任何的?？隙ǎ绻皇侵狄话?，字典的鍵都是對(duì)象，其同樣的判斷邏輯取決于對(duì)象對(duì)象運(yùn)算符的參數(shù)匹配處理，這在后續(xù)的踏入理解部分說(shuō)起。

python的用什么符號(hào)表示代碼塊所屬關(guān)系？

python是用縮起表示代碼塊的隸屬于關(guān)系。

在機(jī)器學(xué)習(xí)算法公式中，各種各樣的字母和符號(hào)，分別代表著什么意思？該如何理解它們？

先說(shuō)看看你提問(wèn)中的每個(gè)參數(shù)的意義：

表示sigmoid函數(shù)的計(jì)算值，也就是一個(gè)概率，也就是機(jī)器學(xué)習(xí)中的預(yù)測(cè)的概率。

可以表示一個(gè)函數(shù)的的命名，這里也可以是不可以的，下文用g表示。

是數(shù)據(jù)集征xb(后文用x可以表示)的參數(shù)是一個(gè)不同維度向量，也就是線性回歸中不需要參與迭代更新的參數(shù)。這里替與xb做點(diǎn)乘，所以才θ做了轉(zhuǎn)置，由列向量不變行向量。（多謝了TheGreatPrawn不當(dāng)之處。）

意思是數(shù)據(jù)聚集的特征，是一個(gè)雙維向量。

可以表示分類(lèi)的結(jié)果，也就是概率大于或大于0某一個(gè)閾值的時(shí)候，組成兩類(lèi)。

下面用自己的理解和語(yǔ)言具體詳細(xì)解釋?zhuān)?/p>

看到你說(shuō)的例子是邏輯回歸，是在自學(xué)完線性回歸后五階的一個(gè)算法，線性回歸是用一條直線來(lái)模型擬合數(shù)據(jù)集的特征值（矩陣X）和標(biāo)簽（矩陣Y），進(jìn)而至少利用新的特征值（新矩陣X）來(lái)預(yù)估新的標(biāo)簽（未知值Y）。

要清楚你的問(wèn)題之前，你不需要清楚梯度下降的原理。如果不很清楚也可以先學(xué)習(xí)幫一下忙梯度下降法，這里就不介紹了。用最簡(jiǎn)單的一句話可以概括隨機(jī)梯度下降應(yīng)該是：“以偏導(dǎo)為方向，找不到最低點(diǎn)。”

得象下圖所可以表示的：

我們返回到正題進(jìn)來(lái)：

你所貼的圖名字叫作sigmiod公式，也就是概率密度的累加公式，為啥要核心中sigmiod函數(shù)？

邏輯回歸的決策邊界：可以不是離散時(shí)間的

有下列的數(shù)據(jù)集，利用多元線性回歸算法通過(guò)模型擬合是難以完成工作的，邏輯回歸的決策邊界是非線性的，所以才我們這個(gè)可以利用邏輯回歸算法通過(guò)二分類(lèi)或數(shù)據(jù)擬合。（你所提的問(wèn)題是二分類(lèi)任務(wù)，y的取值也不是0就是1。）

下圖那就是一個(gè)非線性的二分類(lèi)：

這樣激活函數(shù)函數(shù)式什么樣的？

sigmoid公式：

正態(tài)的密度累積函數(shù)

上圖它表示概率的正態(tài)分布，下圖(sigmoid函數(shù))表示上圖概率的累加。

兩張圖的坐標(biāo)軸不對(duì)應(yīng)，但意思是的意思是差不多的。

自變量為正二十邊形實(shí)數(shù)，應(yīng)變量的值域?yàn)閇0,1]

g(z)的取值范圍是0~1，相當(dāng)于一件事不可能發(fā)生的概率

此函數(shù)是概率論中的概率密度累積函數(shù)

輸入范圍是（-oo，oo），作為輸出范圍[0,1]

將線性回歸預(yù)估出的一個(gè)值，扔到sigmoid函數(shù)當(dāng)中來(lái)，轉(zhuǎn)換的為概率問(wèn)題

一個(gè)概率值如果可能性是70%，這樣不可能性那就是1-70%

你的例子中是以50%為分界線的，反正可以不是任意值。

那樣一來(lái)求出概率，就這個(gè)可以能得到歸類(lèi)結(jié)果

把z變成

θ就是我們沒(méi)有要求的值，x應(yīng)該是樣本的特征。

這里的θ和x全是矩陣。

公式就成了你最就開(kāi)始說(shuō)的

這里的θ，x也那是你的xb也是矩陣

關(guān)于θ：在線性回歸中，我們是要計(jì)算θ，最后用來(lái)成功預(yù)測(cè)任務(wù)，而在邏輯回歸中，我們的θ是洗技能值域的，然后把依據(jù)梯度指定你方向參與一步一步地的更新迭代后得到的一個(gè)最優(yōu)的θ。

回答：將橫豎斜鍵入反照到了[0,1]區(qū)間，我們?cè)诰€性回歸當(dāng)中也可以我得到一個(gè)預(yù)測(cè)值（），可是線性回歸模型是比較特殊，這里的θ是隨機(jī)取值的

再將該值反照到sigmoid函數(shù)當(dāng)中，就結(jié)束了預(yù)測(cè)值到概率的轉(zhuǎn)換問(wèn)題，也就是分類(lèi)任務(wù)

ps：這個(gè)函數(shù)不對(duì)應(yīng)的是不好算值，線性回歸所要做的事是，在誤差最大值概率大的的地方求出θ，是概率的問(wèn)題，而不是什么實(shí)際中值的問(wèn)題，這里是討論的并不是什么多項(xiàng)式回歸，線性模型只是因?yàn)檫M(jìn)入虛空的一種特例；

這里是洗技能θ之后，就是為了能得到的最小值，化為的概率問(wèn)題，只是前者地時(shí)變概率問(wèn)題，再由θ和新的x能夠得到預(yù)測(cè)值，這里說(shuō)的預(yù)測(cè)值應(yīng)該是這個(gè)

化入概率函數(shù)相當(dāng)于線性回歸中的將換算值可以轉(zhuǎn)換為高斯分布的位置概率函數(shù)的問(wèn)題

分類(lèi)任務(wù)：，

類(lèi)似于你提問(wèn)中的

呢既然是二分類(lèi)任務(wù)，這樣結(jié)果那就是非好即壞的，因?yàn)閥不是0那是1

這兩個(gè)公式接受整合，才能十分有利我們后邊的計(jì)算

整合起來(lái)后：

上面的式子，y0或y1是沒(méi)整合起來(lái)之前的樣子。

似然函數(shù)：，要讓所有的樣本（數(shù)量為m）柯西-黎曼方程θ準(zhǔn)確的最概率，那是誤差最小的概率，也就是多項(xiàng)式回歸中心中明白的損失函數(shù)最小的概率，所以我要通過(guò)累乘。

只不過(guò)在計(jì)算機(jī)內(nèi)部，乘運(yùn)算要比加運(yùn)算緊張的多，要是我們先將該運(yùn)算被轉(zhuǎn)化成加法運(yùn)算，那你計(jì)算機(jī)算出下來(lái)就會(huì)高效的多。

我們這里要求的是整個(gè)函數(shù)的大值，只不過(guò)整個(gè)函數(shù)是小于0的，那么乘法的大值也就對(duì)應(yīng)于加法的最大值。

對(duì)似然函數(shù)取對(duì)數(shù)，就可以把乘法可以轉(zhuǎn)換為加法

對(duì)數(shù)似然：，同線性回歸一般，用對(duì)數(shù)將累乘轉(zhuǎn)換成為階乘。這里是從1累加到m，m表示樣本個(gè)數(shù)。

不過(guò)梯度下降算法的方法，我們養(yǎng)成用求最小值的方法能夠解決問(wèn)題。

這里核心中一個(gè)

將求它的最小值，也就是對(duì)數(shù)似然函數(shù)的比較大值。

這里就轉(zhuǎn)換的成求最小值的問(wèn)題了。

這里所說(shuō)的求值，并也不是然后可以計(jì)算進(jìn)去的，而是讓計(jì)算機(jī)一步又一步的去試出去的。

你忘了最前面說(shuō)的梯度下降事情么？

“以偏導(dǎo)為方向，找不到最低點(diǎn)。”

求偏導(dǎo)數(shù)：

化簡(jiǎn)得：

這里少了一個(gè)m，因?yàn)閙是常數(shù)，是對(duì)到了最后的結(jié)果起不出來(lái)作用，也可以忽視也可以不不忽視。

為什么是偏導(dǎo)？

這里的θ是一個(gè)矩陣，并不是一維的，要是是N維的，這樣就要對(duì)每一維求偏導(dǎo)。

i它表示第幾個(gè)樣本，j它表示樣本的第幾個(gè)特征，一個(gè)樣本有N個(gè)特征。

這樣的做的目的是，找不到一組θ值，使得J(θ)最大值，做法就如上述事項(xiàng)所說(shuō)：J(θ)對(duì)θ的每一個(gè)維度求偏導(dǎo)，不出θ的方向，然后再一步一步地的去試θ，第二次的θ是θ1，第二次是θ2，我們用△θθ2-θ1，

當(dāng)△θ很小的時(shí)候（多小由自己相關(guān)規(guī)定），我們就以為，可以找到了最優(yōu)化的θ。

方向的問(wèn)題可以解決了，一步一步要怎末能解決？也就是如何能進(jìn)行迭代？

我們叫做參數(shù)更新

參數(shù)更新：

這里引入了一個(gè)α，可以表示一步步的步長(zhǎng)，你可以想想要是步長(zhǎng)很大，我們就是可以就跨越空間最低點(diǎn)從而找到最優(yōu)的θ，所以才這里的α是越小越好。

這里的“:”是賦值的意思

這就能完成了迭代的工作，每走踏上一步，θj是會(huì)沒(méi)更新第二次。

比如在python中寫(xiě)一個(gè)for循環(huán)，循環(huán)體是θjθj-α后面那一串，

則θj在循環(huán)都結(jié)束了后，就會(huì)能得到最優(yōu)值。

求出了θ的最優(yōu)值，那就是可以做分類(lèi)和擬合的工作了：

分類(lèi)：

據(jù)重新組合數(shù)據(jù)聚集的x對(duì)y接受分類(lèi)。記住概率大于1或大于0某一個(gè)閾值就也可以將y具體分類(lèi)么？

曲線擬合（預(yù)測(cè)）：

參照新的數(shù)據(jù)集x，

憑借

推算出新的y，也就是分析和預(yù)測(cè)工作了。

系統(tǒng)的總結(jié)：

線性回歸模型相當(dāng)于洗技能取θ，接著可以算出分析和預(yù)測(cè)值，將分析和預(yù)測(cè)值得a到sigmoid函數(shù)中，轉(zhuǎn)換的為概率問(wèn)題，求出損失函數(shù)最小的概率，如何能求出最小的概率？

并不是讓導(dǎo)數(shù)不等于0，只是先求出θ偏導(dǎo)的方向，兩次取一個(gè)θ，再得a到參數(shù)可以更新中，是因?yàn)棣潦遣介L(zhǎng)，后面那一串是方向，有了步長(zhǎng)和方向，就也可以能得到新的θ，之后求尋老θ的差值

如果導(dǎo)數(shù)越距離于0的時(shí)候，那么差值就越小，θ可能會(huì)越收斂，那樣的話變會(huì)求出θ。

機(jī)器學(xué)習(xí)中的算法很多，千萬(wàn)不能被繁瑣的數(shù)學(xué)公式搞蒙了，以及后邊你要自學(xué)的隨機(jī)森林，貝葉斯，聚類(lèi)，支持向量機(jī)，PCA降維，卷積神經(jīng)網(wǎng)絡(luò)等等應(yīng)該有大量的數(shù)學(xué)公式和推導(dǎo)，當(dāng)然只要你再理解他去做一件什么事就行，數(shù)學(xué)的推算只是因?yàn)闉榱俗鲞@一件事而創(chuàng)造的工具只不過(guò)。如果數(shù)學(xué)概念或是公式不能理解，這個(gè)可以多搜一下，有很多人用大白話講數(shù)學(xué)，不過(guò)有時(shí)間看下國(guó)外的數(shù)學(xué)教程更好，他們用初中的數(shù)學(xué)推算出來(lái)教高等數(shù)學(xué)，非常更容易理解。不喜歡就去學(xué)，最好不要被什么供小于求什么析出之類(lèi)的言論誤導(dǎo)，要知道藝多不壓身嘛。