StanFord ML 笔记 第二部分

---

本章内容：

　　1.逻辑分类与回归

　　　　sigmoid函数概率证明---->>>回归

　　2.感知机的学习策略

　　3.牛顿法优化

　　4.Hessian矩阵

---

牛顿法优化求解：

　　　　这个我就不记录了，看到一个非常完美的说明+演示+实际操作：http://www.matongxue.com/madocs/205.html#/madoc

Hessian矩阵：

　　　　先看其定义：

　　　　　　就是对参数求各个方向的偏导数，我们以以下的2个特征值为例子也就是2X2矩阵，里面的参数是二阶偏导数，那就可以表示图形或者图像的凹凸性或者拐点之类的。

　　　　　　其在牛顿法的求解中无特殊的意义，就是对矩阵的一个表示而已，非要说作用那就是上面说的拐点之类的。