这篇记录的内容来自于Andrew Ng教授在coursera网站上的授课。
1.不要浪费大量的时间在获得样本上。实际上，太多的样本数并不会使学习算法更加的优秀。要尝试调整你的系数：
1.使用更少的特征。
2.增加多项式。
3.调整$lambda$。
2.诊断学习算法：
1.将样本打乱，并将其中一部分作为训练样本，剩下的作为测试样本，来判断是否出现了过拟合。
2.将样本划分为三类：训练集，交叉验证(cross validation,cv)集，测试集。对于线性回归，训练集来得出相应次数下的theta，交叉验证集来比较这些theta，获得最好的模型，测试集继续训练模型。
1.支持向量机(support vector machine,SVM)：一种监督分类模型。它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。
cost函数：$cost_1(x)=max(0,- heta^{T}x+1)$
$cost_0(x)=max(0, heta^{T}x+1)$
J函数：$J_{ heta}(x)=sum_{i=1}^{m}(y^{(i)}cost_1( heta^{T}x^{(i)})+(1-y^{(i)})cost_0( heta^{T}x^{(i)}))+lambdasum_{i=1}^{n}{ heta_i^2}$
h函数：$h_{ heta}(x)=egin{cases}1quad ifquad heta^{T}xgeq0\0quad otherwiseend{cases}$
直观感受：
若y=0，只有cost0起作用，即右边的图，让它越往左越好。
若y=1，只有cost1起作用，即左边的图，让它越往右越好。
SVM在做什么？
直观感受：
对于逻辑回归，如果我们对以下样本进行分类，画出的决策边界可能是这样的：
而对于SVM，会画出这样的决策边界：
很明显，第二种决策边界是符合人的审美的。而这也就是间隔最大化。
为什么会这样？
我们容易发现，theta是这个超平面的法向量，内积的运算可以转化为矩阵乘法，相当于这里的$ heta^{T}x$，也等于到法向量的距离乘上“法向量”的模长（有符号）。正则项也可以看成是这个“法向量”模长的平方。
举例来讲，我们有以下两种情况：
对于前一种情况，如果每个样本到超平面的距离都一定，我们就想要使法向量的模长尽可能大（这样才能对应于标签，减小代价函数的前一项）。但这时正则化项的代价也会上升，两者是相矛盾的。
对于后一种情况，法向量会尽可能缩小样本到它的距离，这样“法向量”的模长就能够减小了，同时正则化项的代价也会下降，两者是不矛盾的。
由此可见，缩小样本到法向量的距离、分开这两种类别是SVM的第一选择。
2.高斯核函数(Gaussian kernal)：
记号：
$f_i$：第i个特征组合，为了方便表示像x1x2,x1x2x3这样的式子。
$K(x,l^{(i)})=exp(-frac{||x-l^{(i)}||^2}{2sigma^2})$