斯坦福Andrew Ng机器学习讲义：预测波特兰房价

斯坦福大学的机器学习课程由知名教授Andrew Ng主讲，这门课程的讲义主要关注监督学习方法的应用。在这些讲义中，我们首先通过一个实际案例来探讨监督学习的概念。这个例子是关于预测波特兰市房价的问题，数据集包含47个房屋的居住面积（平方英尺）和价格（以1000美元为单位），目标是学习如何根据房屋面积来预测其他未标注房屋的价格。 在这个问题中，"输入变量"（或称输入特征）被定义为living area，用x(i)表示，而"输出"或"目标变量"，即我们要预测的价格，则被表示为y(i)。单个的数据对(x(i), y(i))称为一个训练样本，而整个由m个样本组成的集合{(x(i), y(i)); i = 1, ..., m}则构成了训练集。这里的下标(i)只是一个用来标识训练集中不同样本的索引，与样本本身的性质无关。 为了以后的讨论方便，课程引入了统一的符号系统，将输入特征和输出变量分别标记出来。这种方法对于理解和处理各种复杂的机器学习模型至关重要，因为它们帮助我们将数据集中的观测值转化为数学表达形式，使得算法能够从中学习到规律并进行预测。 在监督学习中，我们通常采用的方法包括线性回归、决策树、支持向量机、神经网络等，可能会通过最小化预测值与真实值之间的误差（如均方误差或交叉熵）来进行模型训练。在波特兰房价的例子中，可能会先通过拟合一条直线或者曲线来近似数据的趋势，然后利用这条模型来预测新的房屋价格。 此外，该讲义可能还会深入探讨数据预处理、特征选择、模型评估和调优等关键步骤，以及如何避免过拟合和欠拟合等问题。学习者会了解到如何在实际应用中有效地处理缺失值、异常值，以及如何选择合适的模型复杂度来确保模型在未知数据上的泛化能力。 斯坦福机器学习讲义中的这部分内容为学习者提供了一个直观且具有实践意义的监督学习入门案例，强调了数据表示、模型选择和优化策略的重要性，为后续深入理解并运用机器学习技术打下了坚实的基础。