吴恩达CS229机器学习讲义：监督学习与房价预测

"吴恩达的机器学习课程讲义，包含习题，是MIT课程的材料，PDF格式，全面覆盖了监督学习等多个主题，旨在帮助学习者深入理解机器学习的核心概念。" 这篇讲义主要围绕机器学习中的监督学习展开，以一个实际的例子——预测波特兰房屋价格——来介绍这一领域的基本思想和方法。监督学习是机器学习的一种重要类型，其目标是从已有的带有标签（或结果）的数据中学习到一个函数，以便对新的、未知的数据进行预测。 在给定的示例中，数据集包含了47个房屋的居住面积（以平方英尺计）和对应的价格（以千美元计）。通过绘制这些数据，我们可以观察到两者之间可能存在的关系。监督学习的任务就是找出这个关系，建立一个模型，使得给定新的居住面积，模型能够预测出房屋的价格。 为了正式描述这个问题，我们引入了一些符号约定。用x(i)表示输入变量，这里特指每栋房屋的居住面积；y(i)表示输出变量，即我们要预测的目标——房屋价格。每一对(x(i), y(i))构成一个训练样本，而整个包含m个样本的集合{(x(i), y(i)); i=1, ..., m}称为训练集。 讲义中的这部分内容很可能会涵盖线性回归，这是监督学习中一个基础且重要的模型，用于寻找输入与输出之间的线性关系。在房屋价格预测问题中，线性回归模型可以找到一个最佳的直线（或者在多个输入特征时，是超平面），使得所有训练样本的预测误差最小化。这通常通过最小二乘法或梯度下降等优化算法实现。 此外，讲义可能还会涉及训练集的划分，比如分为训练集、验证集和测试集，以评估模型的泛化能力，防止过拟合。同时，吴恩达的课程通常会讲解如何评估模型的性能，例如使用均方误差（MSE）或决定系数（R²）等指标。 最后，习题部分可能会要求学习者应用所学知识解决类似的问题，比如用其他城市的房价数据来训练模型，或者尝试不同的特征工程方法，以提升模型的预测精度。 这份吴恩达的机器学习讲义不仅提供了理论知识，还通过实际案例帮助学习者掌握监督学习的基本技巧，是深入理解和应用机器学习的宝贵资源。