最近一邊看書，一邊梳理機器學習的知識點：

1. 線性回歸

2.線性回歸的損失函數（誤差的平方和）

3. 最小二乘法(手推導)

4.批量梯度下降法（學習率大小問題）

5.放縮scaling對梯度下降的影響

6.多元線性回歸

7.邏輯斯蒂回歸-二元分類

8.LR代價函數

9.神經網絡

10.前向傳播和后向傳播

11.神經網絡過程

12.模型選擇和交叉驗證

13.高偏差和高方差

14.偏差和方差（欠擬合和過擬合）

15.學習率

16.模型評價? 混淆矩陣? 準確率和召回率? F1值，ROC曲線和auc的含義

17.無監督聚類 k-means? 迭代算法和過程?? 選擇聚類數的動機? 聚類相似度和距離的度量? 中心點隨機初始化?? 代價函數?? 容易陷入局部最小值? 解決辦法多運行幾次取loss最小的，降維? 數據可視化?? PCA。

18.

總結

以上是生活随笔為你收集整理的机器学习的理论知识点总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。