机器学习基础与线性回归方程
笼统的定义:
机器学习研究如何让计算机不需要明确的程序也能具备学习能力。
什么是机器学习?
系统用来学习的这些示例,我们称之为训练集。每一个训练示例称为训练实例或者是训练样本。
在本例中,任务就是给新邮件标记垃圾邮件,经验则是训练数据,那么衡量性能表现的指标则需要我们来定义,例如,我们可以使用被正确分类的邮件的比率来衡量。这个特殊的性能衡量标准称为精度,经常用于衡量分类任务。
使用Keras实现一个简单地线性回归
单变量现行回归算法(比如,x代表学历,f(x)代表收入)
f(x) = ax + b
我们使用f(x)这个函数来映射输入特征和输出值
预测目标与损失函数
目标:
预测函数f(x)与真实值之间的整体误差最小
如何定义误差最小呢?
损失函数:
使用均方差作为成本函数
也就是预测值和真实值之间差的平方取均值
优化的目标(y代表实际的收入)∶
找到合适的a和b,使得(f(x)- y)^2越小越好
注意:现在求解的是参数a和b
如何优化?
使用梯度下降算法
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
# %matplotlib inline 是IPython内置函数,在pycharm中使用会报错,我们可以使用plt.show()来替代它
x = np.linspace(