“Datawhale X 李宏毅苹果书 AI夏令营”深度学习入门笔记Task2

定义函数

线性模型：把输入的特征 x 乘上一个权重，再加上一个偏置就得到预测的结果，称之为线性模型，（即x与y之间为直线性的关系）

模型的限制（模型的偏差）：对于线性模型，就是x与y之间就是一条直线的关系，在实际应用中，与真实的实际情况有很大偏差，这种无法模拟真实情况即叫做模型的限制。

x和y有更为复杂的关系，于是引入分段线性曲线，简单来说分段线性曲线可以看作是多个常数+很多线性模型构成的。模型越复杂，线性模型越多。

分段线性曲线：

则表示为红色的线=0+1+2+3（0，1，2，3有不同的参数）

Sigmoid 函数：是一种在机器学习和深度学习中广泛使用的激活函数。

可以通过不同的w（斜率）,b（偏移量）,c（高度）参数改变，逼近不同的函数。

定义损失

通过改变不同的参数值，计算出y值，并与label进行比较，使用求平均值的方式得到Loss

机器学习框架

训练集：拿来训练模型的数据集

测试集：检测模型的数据集

1.先写出一个有未知数 θ 的函数，θ 代表一个模型里面所有的未知参数。fθfθ(x) 的意思就是函数叫 fθfθ(x)，输入的特征为 x，；

2. 定义损失，损失是一个函数，其输入就是一组参数，去判断这一组参数的好坏；

3. 解一个优化的问题，找一个 θ，该 θ 可以让损失的值越小越好。让损失的值最小的 θ 为θ∗，

即θ∗ = argminθL

过拟合：过拟合是指一个机器学习模型在训练数据上表现得很好，但在测试数据上表现不佳的现象。