深度学习day07 处理多维特征的输入

数据处理

X表示糖尿病病人的8个特征，Y表示1年后他们的病情是否会加重
每一行是一个样本，每一列是该样本的一个特征，我们要把这个数据表转化为矩阵类型数据

修改原代码数据准备部分：输入的数据是8维，输出的数据是1维

空间变换

矩阵是一个空间变换的函数，可以将m维空间映射到n维空间上

神经网络的本质上是寻找一种非线性的空间变换函数，通过添加非线性的变换因子——激活函数，使其能够拟合非线性的函数，达到将多维空间降维/升维的目的

变换的纬度和隐藏层的层数决定了神经网络的复杂程度，但是具体的这里面的值取什么，需要用到超参数搜索，不一定是层数越多越好，一般来说，层数越多学习能力越强，但是这样会把本不属于样本的噪声学习到，所以学习能力太强也不好，要具有对真值的泛化学习能力。

该神经网络共3层；第一层是8维到6维的非线性空间变换，第二层是6维到4维的非线性空间变换，第三层是4维到1维的非线性空间变换。

代码讲解

1. 准备数据
   
   2.定义模型
   
   3.构造损失函数和优化器
   
2. 训练循环，注意这里没有用小批量学习
   
   还有一些其他的激活函数可以试试
   

附代码

import numpy as np
import torch
import matplotlib.pyplot as plt

# 步骤一：prepare dataset
xy = np.loadtxt('diabetes.csv', delimiter=','