1.线性模型
已知线性模型y=b+wx,不断计算梯度更新参数,使L减小。
然而,这个模型其实只考虑到了事情发生前一天的观看人次,在是基于侧重会产生一个很好玩的现象:
预测值始终慢于实际值,且实际值有周期性,这就要求我们理解数据本身的含义,这种周期性的数据是因为什么原因产生的。通过查看源数据,发现该数据与是否是周日有较大关系,所以线性模型应当以一个周为单位,修改为如下形式:
将前7天的数据均考虑进去,加以不同权重。
2.分段线性模型
引入一种函数类型:sigmoid函数:
利用sigmoid函数可以构建复杂的分段函数,如下图所示:
sigmoid函数表达式可以写作:
多个该函数相加后形成的表示式可以简写为:
优化时,计算未知参数对损失的微分,直到变为近乎为0。
sigmoid也不是固定的模型,可以换一个,比如说Relu,修正线性单元(Rectified Linear Unit,ReLU)其图像有一个水平的线,走到某个地方有一个转折的点,变成一个斜坡。称Relu和sigmoid为激活函数。
3.神经网络与深度学习
很多Relu或者sigmoid一起构成了一个函数,所以每个函数都类似于一个神经元。很多层这样的函数排布,便构成了神经网络。
图示如下: