3.1 3.2线性回归模型
利用给出的数据拟合一条直线
分类问题只有少数几个可能的输出,而回归问题可能有很多输出。
上标是用来表达第几个数据。与次方无关。
y-hat代表的是预测值,如在房价预测中,房子在出售之前我们是不会知道这个房子的最终售价的,只是根据模型得出的预测房价。
3.3 代价函数公式cote function
可以调整w和b的值来调整模型,w被称为系数, b有时也被称为权重。
衡量一条线(模型)与训练数据的拟合程度,模型的参数是w和b。
我们的目标是找到使J(w,b)最小的w和b。
3.4 理解成本函数
首先我们先将模型进行简化,先令b为0。我们的目标是找到使代价函数最小的w。
根据给出的数据选择不同的w,绘制出二维的代价函数图像,代价函数的自变量是w。
从图上可以看出当w为1时代价函数最小。故我们选择w为1。
3.5 可视化代价函数
这部分的代价函数是包括b参数的。
3.6 可视化例子
可以看见第一个拟合的模型拟合程度并不好,代价很高。
做了改正后这个模型的代价有所降低,达到了500
最后这个模型拟合的最好,代价不到125。
我们的目的是找到一种可以自动计算出最优的w和b的算法,如梯度下降算法。