机器学习打卡DAY2

1.回归

回归的目的就是找到一个function，我们通过输入，得到一个标量输出。

模型步骤：

1.模型假设，选择架构

2.模型评估，判断模型的优劣（损失函数）

3模型优化，如何筛选出最优的模型（梯度下降）

1.1.模型假设

一般来说，单个特征一元线性模型，多个特征是多个线性模型

 1.2 模型评估-损失函数

在单个特征的情况下，

在二维图像中表示出来w,b，如图：

 1.3 最佳模型-梯度下降

在第一步和第二步完成之后，我们要找到一个令结果最小的f，即使要找到此情况下最小的w,b

在此过程中，其实还会有更多的问题，就是当梯度为0，趋于0，或者当前就是局部最优，

w,b的偏微分的计算方法：

2.验证模型好坏

输入x-data,得到其输出y'

真实的输出为y-data

用训练集和测试集的平均误差验证好坏

3.过拟合和欠拟合

在训练集上拟合较好但是在验证集上误差较大

4.步骤优化

4.1 2个input的四个线性模型合并到一个线性模型

4.2 如果希望模型表现更好，加入更多的参数，更多的输入

4.3加入正则化

5.回归演示

代码