Fatal编程技术网
  • machine-learning/
  • Machine learning 在分类中，为什么决策边界是假设的属性而不是训练集的属性？ 我开始看Andrew Ng关于Coursera的ML视频。在关于分类的课程（在第三个视频中），他说了以下几行

Machine learning 在分类中，为什么决策边界是假设的属性而不是训练集的属性？ 我开始看Andrew Ng关于Coursera的ML视频。在关于分类的课程（在第三个视频中），他说了以下几行

machine-learning

Machine learning 在分类中，为什么决策边界是假设的属性而不是训练集的属性？ 我开始看Andrew Ng关于Coursera的ML视频。在关于分类的课程（在第三个视频中），他说了以下几行,machine-learning,classification,Machine Learning,Classification,“再一次，决策边界不是训练集的属性，而是假设和参数的属性 但是一旦你有了参数θ，那就是定义决策边界的东西 我的问题是: 训练集和假设之间的区别是什么 为什么决策边界是假设的属性而不是训练集的属性 你可以这样想： 对于任何给定的参数集，都有唯一的决策边界。因此，参数唯一地定义了决策边界 另一方面，给定训练数据，不存在唯一的决策边界。您可以选择基本上无限多个不同的决策边界，以适合任何一组数据。因此，数据不能唯一地定义决策边界，因此边界不能是数据的属性 另一方面，正如他所指出的，您可以使用训练数据来选

“再一次，决策边界不是训练集的属性，而是假设和参数的属性

但是一旦你有了参数θ，那就是定义决策边界的东西

我的问题是:

  • 训练集和假设之间的区别是什么

  • 为什么决策边界是假设的属性而不是训练集的属性

    • 你可以这样想：

    对于任何给定的参数集，都有唯一的决策边界。因此，参数唯一地定义了决策边界

    另一方面，给定训练数据，不存在唯一的决策边界。您可以选择基本上无限多个不同的决策边界，以适合任何一组数据。因此，数据不能唯一地定义决策边界，因此边界不能是数据的属性

    另一方面，正如他所指出的，您可以使用训练数据来选择参数，然后给您一个边界。但是有很多方法可以做到这一点。

    这个问题似乎更适合stats.stackexchange.com