我没有答案啊，这是我自己做的，我也不知道我做的对不对。先看着吧，这要多刷几遍才能真正理解吧
倒数第二个式子是B+\sum_(i=1)^n 吧
在知乎上看到一个讲解的不错的……
但是下面的评论说展开存在问题，我看不出来，希望有大佬来看看，没问题的话我想做个pr提交到源文件中，目前的解释的确让人有点摸不着头脑
1 Like
3.2我认为令绝对值为0不对，这个最小化的并不是导数，所以不是等于0.而是要让绝对值的和最小。但这个涉及了带有绝对值的函数最小化，不知道怎么去求解析解
我想请问一下，在这一节中，老师指出使用小披量的原因是遍历整个训练集太慢了。如果我本身训练集就不大，我是不是可以不采用小批量，而是直接每次迭代都使用整个训练集计算梯度并更新参数W,b呢？还是说我应该选择更小的batch size，比如就是1？
（我在网上看到说可能重复使用整个训练集的方法会带来过拟合？）
谢谢！
是这样，同意。
我觉得argb的这种表述确实更清晰，但行数列数说反了。
3.1.12转化一下形式得到ε=y-w*x-b,带入到ε的概率密度函数中，便得到了似然函数。
Thanks a lot. It really helps.
L1展开那里合并了不该合并的项吧，就下面留言有。
此外对标量L求B的偏导应该也有问题，结果的维度应该是跟B转置的维度相同，但他跟B维度相同。
Σ|y(i)-w(T)x(i)| 可以改成Σ(y(i)-w(T)x(i))^2这样就变成了二范数求最小值的问题
3.1.15的求和符号后是不是缺少一个大括号 
2 Likes
同问，这个标签看起来是索引，类似于图1，式1，表1这样
2 Likes
你理解错了吧，第一行不是所有样本的第一个特征的集合，而是第一个样本的所有特征的集合
1 Like
你这完全反了，矩阵X是n行d列，现有样本数量n，特征数量d。行数是样本数，列数是特征数。
2 Likes
把 b 直接放到 w 中，当成一个参数，然后 X 新增一个特征，其值恒定为 1，这样一乘，就好了。
1 Like
3.1.15式子求和符号后面少了一个大括号。
The summation symbol in Equation 3.1.15 is missing a curly bracket.
同求，有找到课后习题答案的友友能分享一下吗 