来自于模型的限制称为模型的偏差,无法模拟真实的情况
模型把输入的特征x乘上一个权重,再加上一个偏置就得到预测的结果,这样的模型称为线性模型
由于线性模型过于简单,不能模拟复杂的情况,故有分段线性曲线
如果点取的够多或点取的位置适当,分段线性曲线就可以逼近这一个连续的曲线,就可以逼近有角度的、有弧度的这一条曲线。
参数非常多的时候,就不能使用穷举的方法,需要梯度下降来找出可以让损失最低的参数。
Sigmoid 越多可以产生有越多段线的分段线性函数,可以逼近越复杂的函数。Sigmoid 的数量也是一个超参数。接下来要定义损失。
人工智能就是在模拟人脑,神经网络不是新的技术,80、90 年代就已经用过了,后来为了要重振神经网络的雄风,所以需要新的名字。每一排称为一层,称为隐藏层(hiddenlayer),很多的隐藏层就“深”,这套技术称为深度学习。所以人们把神经网络越叠越多越叠越深。
在训练数据和测试数据上的结果是不一致的,这种情况称为过拟合(overfitting)
深度学习的训练会用到反向传播(BackPropagation,BP),其实它就是比较有效率、算梯度的方法。