深度学习 | Datawhale 打卡（Task 02）

机器学习两大主要任务：回归 分类

回归
定义：Regression 就是找到一个函数 functionfunction ，通过输入特征 xx，输出一个数值 ScalarScalar。

模型步骤
step1：模型假设，选择模型框架（线性模型）

• 一元线性回归
• 多元线性回归

通过多个特征还是一个特征区分，根本还是由我们的输入去得到一个输出

step2：模型评估，如何判断众多模型的好坏（损失函数）

损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。不同的模型用的损失函数一般也不一样。

step3：模型优化，如何筛选最优的模型（梯度下降）

梯度下降法（英語：Gradien descent）是一个一阶最优化算法，通常也称为最陡下降法，但是不該與近似積分的最陡下降法（英語：Method of steepes descent）混淆 要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。

过拟合
在训练集上面表现更为优秀的模型，为什么在测试集上效果反而变差了？这就是模型在训练集上过拟合的问题。

训练出的模型对于样本集一下我们不需要的特征也保留了，这就导致再用以去训练新的数据时，也会带有这一不需要的特征。

参考：
https://datawhalechina.github.io/leeml-notes/#/