应用举例
- 股市预测(Stock market forecast)
- 输入:过去10年股票的变动、新闻咨询、公司并购咨询等
- 输出:预测明天道琼斯工业指数的点数
- 自动驾驶(Self-driving Car)
- 输入:无人车上的各个sensor的数据,红外线感测、视讯镜头看到的等,例如路况、测出的车距等
- 输出:方向盘的角度
- 商品推荐(Recommendation)
- 输入:使用者A的特性,商品B的特性
- 输出:购买商品B的可能性
- Pokemon精灵攻击力预测(Combat Power of a pokemon):
- 输入:进化前的CP值、物种(Bulbasaur)、血量(HP)、重量(Weight)、高度(Height)
- 输出:进化后的CP值
做machine learning三个步骤
- step1:模型假设,选择模型框架(线性模型)。找一个model(func. set)
- step2:模型评估,如何判断众多模型的好坏(损失函数)。func. set里面拿一个function出来可以定义好坏
- step3:模型优化,如何筛选最优的模型(梯度下降)。找一个最好的function
多元线性模型(多个特征)
在实际应用中,输入特征肯定不止 x_{cp}xcp 这一个。例如,进化前的CP值、物种(Bulbasaur)、血量(HP)、重量(Weight)、高度(Height)等,特征会有很多。
所以我们假设 线性模型 Linear model:y = b + \sum w_ix_iy=b+∑wixi
- :就是各种特征(fetrure) ...
- :各个特征的权重 ⋅⋅
- :偏移量
本例子简化为【单个特征】来示例
Step 2:模型评估 - 损失函数
【单个特征】:
这里定义 是进化前的CP值,进化后的CP值,真实值
<