机器学习2017，Regression（李宏毅

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+∑wi​xi​

• ：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】:

收集和查看训练数据

这里定义 是进化前的CP值，进化后的CP值，真实值

<