机器学习_听小宇818机器学习常用算法

当预测目标是概率这样的，值域需要满足大于等于0，小于等于1的，这个时候单纯的线性模型是做不到的，因为在定义域不在某个范围之内时，值域也超出了规定区间。

所以此时需要这样的形状的模型会比较好

这个模型需要满足两个条件大于等于0，小于等于；大于等于0的模型可以选择绝对值、平方值，这里用指数函数，一定大于0；小于等于1用除法，分子是自己，分母是自身加上1，那一定是小于1的了。

再做一下变形，就得到了 logistic regression 模型

通过源数据计算可以得到相应的系数了

最后得到 logistic 的图形

Neural Networks 适合一个input可能落入至少两个类别里。NN 由若干层神经元，和它们之间的联系组成。第一层是 input 层，最后一层是 output 层。在 hidden 层 和 output 层都有自己的 classifier。

input 输入到网络中，被激活，计算的分数被传递到下一层，激活后面的神经层，最后output 层的节点上的分数代表属于各类的分数，下图例子得到分类结果为 class 1。

同样的 input 被传输到不同的节点上，之所以会得到不同的结果是因为各自节点有不同的weights 和 bias，这也就是 forward propagation。

举个在 NLP 的应用，给一段文字，返回情感分类，这段文字的态度是positive，还是negative。为了解决这个问题，可以只看其中的一些单词。

这段文字，将仅由一些单词和它们的计数代表

通过 bayes rules 变成一个比较简单容易求得的问题

问题变成，这一类中这句话出现的概率是多少，当然，别忘了公式里的另外两个概率。

栗子：单词 love 在 positive 的情况下出现的概率是 0.1，在 negative 的情况下出现的概率是 0.001。