Machine Learning？Training Machine!②.

Machine Learning？Training Machine!②.

Hello! guys, I'm coming back again, 
though problebly nobody is here, 
I'm just keep going.

嘿嘿，忽略我的发神经，咳咳，来，下面正式进入正题，今天我们继续学习机器学习，上回说到无监督学习，现在我们先从监督学习开始入手，源自有答案的训练无论是对人还是对于机器算法来说要简单得多。

我们高中的时候实际上就已经学过最简单的一种模型，线性回归问题，我们将对此问题进行分析讨论，并将待定系数确定以完成我们的目标。

今天你妈妈叫你买一点好菜，给你做一个土豆烧牛肉，出门前，她怕你被骗，给了你这最近一年土豆的价格变化数据Σ(°△ °〣)…于是你掏出大宝贝开始计算，以便预估这两天的土豆价格应该是个什么样子，这就是一个非常简单的线性回归问题啦，运用机器学习的算法进行拟合，就可以大幅度的减小误差，过程如下：

确定自变量参变量：时间，价格

确定代价函数：线性方差代价函数

进行数据拟合：Batch梯度下降法

这是我们这一节需要注意的新说法：

代价函数：在监督学习中就是我们预估的数据与真实数据的误差的一种表示函数,在线性回归问题中，我们通常使用这两个数据的方差来表示这个函数；
Batch：在机器学习当中指的是使用所有训练集进行训练；
梯度下降法：基于贪心算法，从初始化的数据点开始，在这个点周围的每一个“方向”进行试探，找到使得函数值最快下降的点(方向导数最大值)，将函数的参数对应的向这个“方向”靠近，一直不断这样做，直到达到最小值或者要求的精度，结束算法，这一部分我将会专门开一个小题进行描述。

基于上面的过程我们就可以基本拟合出比较符合数据集的函数啦，跟紧HUALI的脚步，我们买菜就不会亏啦，具体的实现形式我们将在后续的博客中进行讲解。







萌新求关注，求硬币！(手动滑稽)