本文探讨了线性模型的构建，包括一元和多元线性方程，强调了模型评估和优化的重要性。通过损失函数评估模型性能，关注训练集和验证集误差，防止过拟合。模型优化涉及将多个模型整合、增加训练数据以及正则化策略。理解权重的意义和梯度下降在模型优化中的作用是关键。
模型三步骤
1.模型的构建 线性方程
2.模型的评估 主要从损失函数入手
3.模型的优化
单特征和多特征
Y=b+wx
b 偏移
w 权重 （权重越小 表示输入和输出越接近 function效果越好） 绝大多数情况下 w越小越好
x输入值
一元一次线性方程
一元多次线性方程
回归（regression）
训练集平均误差
验证集平均误差
两者之间的距离判定模型的好坏
模型的过拟合（overfitting）
原始的cp值决定了输出的cp值
模型梯度的下降
模型优化的三个步骤
1.input的多个模型合并到一个一元线性方程
2.模型的更多的input（训练数据的增强）
3.正则化（regularization）
扫一扫
331
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
