学习人工智能第一周：线性回归(下)

上期回顾

应用场景--->向量化--->模型-->结果
人工智能主要围绕模型展开，模型可以理解为公式

模型之一：线性回归

模型是直线，让直线拟合这些点，所以叫线性回归

需求：给出一组数据x,y，给出点的分布情况(给出一个公式)，类似于y=ax+b
    也就是说，通过调整a,b的值，让直线拟合这些点
    (调整w，b的值就是机器在学习的过程，要知道，不管怎么调整，都是由误差的，机器学习的目的
    就是找到合适w，b让误差最小)
    
    优化之后，我们得到w=2，b=1的值，得到此模型(公式)
    y_prodict=2x+1  mse=(y_prodict-y)*2   误差最小，就是求mse最小

代码展示：
    x,y=通过查表读取出来de 百分之80
    model=line(建立线性回归的模型)
    model.fit(x,y) 训练模型
    model.w
    model.b
    模型做出来之后，使用训练数据和测试数据分别得出预测值和真实值去比较，求出平方值的最小值
    
    mse只有相对意义
    推广能力：能在测试集上表现很好的能力

mse的最小值

mse=(y_prodict-y)^2现在的目的就是不断地调整w,b让mse最小即可
也就是说求mse的最小值
解决方案：先求导数，判断单调型，一旦单调性发生改变，图像就会转弯
    mse/w=2(wx+b-y)*x
    先随机给w0，w1=w0-&*mse/w,w2=w1-mse/w1 一直找最小值，这叫梯度下降法  因为要震动的浮动，所以增加一个参数&，控制震动的小

问题

问题一：测试机的误差和训练集的误差谁大谁小
    测试机的mse有可能比训练集大，也有可能比训练集小
    但是，因为很难取到训练集的数据，所以，在工程上，测试集的数据要比训练集mse大
    解决办法：增大训练集；增大训练集的多样性
    
    模型是针对训练集的，很难渠道压在训练集上的数据
问题二：为什么使用方差
    方差：把容易测得测完之后，mse下降一定值，就会注意到一些
    难测得一些数据
    绝对值：只训练简单的，不做难题
问题三：训练集的mse是不是越小越好
    不能越小越好，过度拟合的话，就学过头了
    怎么判断学过头？
    将训练集的数据分成训练和有效的，1h的时候看一下mse，2h的时候
    看一下mse，当发现mse变大的时候，说明学过头l

总结一点：线性回归就是通过不断的去调整w，使得mse最小

多元线性

y=wx=b
y=w1x+w2x+w3x...
简称：x=(1,x1,x2,x3)  w=(w0,w1,w2,w3)  y=w^t*x

使用线性回归的条件是数据尽可能在一条直线上
若是抛物线：y=w1x^2+w2x+w0
更复杂一点：y=w1x+w2x^2+w3x^3...