fix show article img

source/_posts/machinelearning/decisiontree.md

@@ -4,7 +4,8 @@ tags: decisiontree
 categories: machinelearning
 abbrlink: 95
 date: 2025-01-24 12:39:59
-cover: https://th.bing.com/th/id/OIP.XaPUn6eccfS_z_wTLQNFzgHaEK?w=240&h=180&c=7&r=0&o=5&dpr=1.9&pid=1.7
+cover: /img/machinelearning/decision-tree.png
+
 ---
 
 ### C4.5

source/_posts/machinelearning/desktop.ini

@@ -1,4 +0,0 @@
-[ViewState]
-Mode=
-Vid=
-FolderType=Generic

source/_posts/machinelearning/ensemblelearning.md

@@ -4,7 +4,7 @@ tags: ensemble-learning
 categories: machinelearning
 abbrlink: 8816
 date: 2025-01-25 15:12:08
-cover: https://th.bing.com/th/id/OIP.SZA5W6cF-tYiiZ08KZ7l7wHaEm?w=250&h=180&c=7&r=0&o=5&dpr=1.3&pid=1.7
+cover: /img/machinelearning/ensemble-learning.png
 ---
 
 ### Bagging

source/_posts/machinelearning/linearreression.md

@@ -17,10 +17,10 @@ $$y = w_1x_1 + w_2x_2 + \cdot\cdot\cdot+w_nx_n$$
 ### 损失函数
 
 为了找到最佳的线性模型，我们需要通过最小化损失函数来优化模型参数。在线性回归中，常用的损失函数是 **均方误差（MSE）**：
-$$MSE = \frac{1}{m} \sum_{i=1}^{m} (y_i - \hat{y}_i)^2$$
-- m 是样本的数量。
+$$J(\theta) = \frac{1}{2N} \sum_{i=1}^{N} (y_i - f_\theta(x_i))^2$$
+- N 是样本的数量。
 - $y_i$​ 是第 i 个样本的真实值。
-- $\hat{y}_i​$ 是模型预测的第 i 个样本的值。
+- $f_\theta(x_i)$ 是模型预测的第 i 个样本的值。
 
 ### 线性回归优化