模型举例
一个简化模型:房价预测
假设一:影响房价的关键因素是卧室个数,卫生间个数和居住面积,记为x1,x2,x3
假设二:成交价是关键因素的加权和y=w1x1+w2x2+w3x3+b,权重和偏差的实际值在后面决定
线性模型
线性模型可以看作是单层神经网络,即只有输入层和输出层
衡量预测结果的质量
1/2是为了将求导后的2消去
训练数据
- 收集一些数据点来决定参数值(权重和偏差),例如过去6个月卖的房子
- 这被称之为训练数据
- 通常越多越好
- 假设我们有n个样本,记为:
数据不够时,也有相关算法处理数据不够的问题,之后再探讨
参数学习
训练损失:
(对于n个数据求平均值)
最小化损失来学习参数:
目标:找到w和b,使得损失值最小
显式解
以上小结
- 线性回归是对n维输入的加权,外加偏差
- 使用平方损失来衡量预测值和真实值的差异
- 线性回归有显示解
- 线性回归可以看作是单层神经网络