深度学习基础之线性回归模型

第一次写Blog，为学习记录，免得以后忘了。以下所有内容都是自己的理解，如有错误，望指正。

深度学习基础

线性回归 （Linear Regression）

不同于分类问题，线性回归返回的都是连续值，而分类问题返回的是离散值。返回的值是用输入网络的值经过一系列的与网络中的参数运算而得到的。

模型 （Model）

线性模型假设输入和输出的关系是线性的

通过输入大量的样本值来得到网络中权值的更新，从而完成网络的训练。

训练数据 （Training Set）

假如现在希望预测房屋的价格。现有的房屋称为样本(sample)，房屋的价格称为样本的标签(label)，用来预测标签的因素称为特征(features)，在本例中，房屋的面积和年龄即为标签。

回归模型的表达式是用样本特征(features)，权值(weights)，偏移(bias)线性运算组成的。每一个样本特征都有自己对应的权值和偏移。例如，更多人在意的只是房子的面积，而年龄相对于面积来说不那么重要，因此‘面积’的权值应当更高。

损失函数（Loss Function）

为了衡量什么时候网络的权值更新视作收敛，我们需