机器学习实验一的一些知识（自己用来记录，写的很乱，没有参考价值）

python
numpy:
np.random.normal正态分布
numpy.random.normal(loc=0,scale=1e-2,size=shape)
参数loc(float)：正态分布的均值，对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布，
参数scale(float)：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。
参数size(int 或者整数元组)：输出的值赋在shape里，默认为None。

shape函数是numpy.core.fromnumeric中的函数，它的功能是查看矩阵或者数组的维数。

transpose 作用是改变序列
transpose（1,0,2）：表示将（2[0], 2[1], 2[2]）转换为（2[1], 2[0], 2[2]）。简单理解就是，将不同位置元素替换掉。
T转置：表示整个顺序颠倒，（2[0], 2[1], 2[2]）转换为（2[2], 2[1], 2[0]）。相应的分析方法一样，就是内容替换。

np.linalg.pinv():求矩阵的广义逆，输入可以不是方阵

在python 3.5以后，@是一个操作符，表示矩阵-向量乘法 A@x 就是矩阵-向量乘法A*x: np.dot(A, x)

np.mean()函数功能：求取均值

实验内容：
1.生成数据，加入噪声
sin(2πx)生成数据
加入方差0.5的噪声
2. 用高阶多项式函数拟合曲线；
假设m已知，确定参数w：
建立误差函数，测量每个样本点目标值t与预测函数y之间的误差

是最小二乘问题，E是w的二次函数
求导，设倒数=0
存在唯一解w*

加对w的惩罚