本文探讨了在神经网络中如何进行多项式曲线拟合，特别是在多维特征情况下，通过均方误差函数来寻找最佳拟合直线。解释了如何利用不同权重w0和w1来调整二维数据的直线，以及在多维特征下使用y(x;w)表示函数，并阐述了优化均方误差函数以达到最小化的目标。
开始一直没有办法了解函数y(x;w)。后来看了一下 neural network for recgonition 有了一些自己的理解。
对于给定一组输入并且给出对应的输出的情况下，要找到一个能很好地拟合原始数据的函数。首先对于二维数据（特征）比较好理解。比如y(x)=w0+w1x ，当我们取不同的w0和w1时就会得到不同的y(x)。那么如果给出一些输入和对应的输出我们如何看哪天直线最接近我们的数据呢？那么我们可以用均方误差函数来表示，就是这些点到拟合的直线的距离。那么同样的道理，如果输入的特征有多维呢我们就可以用下列的式子来表示，实际应用中我们习惯用y(x;w)来表示。x带表输入的特征，y代表对应的输出。而w是参数（在神经网络中代表权重）
均方误差函数，我们的目的就是要使得均方误差函数最小
2525
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
