CS 229 - 기계 학습


지도 학습 치트시트
Star

아프신 아미디셰르빈 아미디
Rickie Park 에 의해 번역됨 (partial)

지도 학습 소개

일련의 데이터 포인트 $\{x^{(1)}, ..., x^{(m)}\}$와 연관된 출력 $\{y^{(1)}, ..., y^{(m)}\}$이 주어졌을 때 분류기가 $x$로부터 $y$를 예측하는 방법을 학습합니다.

예측의 종류 ― 예측 모델의 종류가 아래 표에 정리되어 있습니다:

회귀 분류
출력 연속 클래스
샘플 선형 회귀 로지스틱 회귀, SVM, 나이브 베이즈

모델의 종류 ― 모델의 종류가 아래 표에 정리되어 있습니다:

판별 모델 생성 모델
목표 직접 $P(y|x)$를 추정 $P(x|y)$를 추정하여 $P(y|x)$를 추론하기
학습하는 것 결정 경계 데이터의 확률 분포
그림 Discriminative model Generative model
회귀, SVMs GDA, 나이브 베이즈

표기법과 일반 개념

가설 ― 가설은 $h_\theta$로 표시하며 선택한 하나의 모델입니다. 입력 데이터 $x^{(i)}$에 대한 모델의 예측 출력은 $h_\theta(x^{(i)})$가 됩니다.


You can help us translating the rest of the Supervised Learning cheatsheet on GitHub!