9.4-学习ing

神经元

神经网络中每个节点称为神经元，由两部分组成：
加权和：将所有输入加权求和。
非线性变换（激活函数）：加权和的结果经过一个非线性函数变换，让神经元计算具备非线性的能力。

多层连接

大量这样的节点按照不同的层次排布，形成多层的结构连接起来，即称为神经网络。

前向计算

从输入计算输出的过程，顺序从网络前至后。

计算图

以图形化的方式展现神经网络的计算逻辑又称为计算图，也可以将神经网络的计算图以公式的方式表达：

模型假设

提出假设的方法，例如牛顿的第二定律，运用斜滑动法和平滑动法
世界上的可能关系千千万，漫无目标的试探YYY~XXX之间的关系显然是十分低效的。因此假设空间先圈定了一个模型能够表达的关系可能，

评价函数

损失函数:模型预测值和真实值差距的评价函数
寻找最优之前，我们需要先定义什么是最优，即评价一个YYY~XXX关系的好坏的指标。通常衡量该关系是否能很好的拟合现有观测样本，将拟合的误差最小作为优化目标。

优化算法

实现损失最小的方法称为优化算法，也成为寻解算法
设置了评价指标后，就可以在假设圈定的范围内，将使得评价指标最优（损失函数最小/最拟合已有观测样本）的YYY~XXX关系找出来，这个寻找最优解的方法即为优化算法。最笨的优化算法即按照参数的可能，穷举每一个可能取值来计算损失函数，保留使得损失函数最小的参数作为最终结果。

作业

1、类比牛顿第二定律的案例，在你的工作和生活中还有哪些问题可以用监督学习的框架来解决？模型假设和参数是什么？评价函数（损失）是什么？

2、为什么说深度学习工程师有发展前景？怎样从经济学（市场供需）的角度做出解读？

为什么要以均方误差作为损失函数？
即将模型在每个训练样本上的预测误差加和，来衡量整体样本的准确性。这是因为损失函数的设计不仅仅要考虑“合理性”，同样需要考虑“易解性”

神经网络的标准结构中每个神经元由加权和与非线性变换构成，然后将多个神经元分层的摆放并连接形成神经网络。线性回归模型可以认为是神经网络模型的一种极简特例，是一个只有加权和、没有非线性变换的神经元（无需形成网络）

读入数据

import numpy as np
import json

datafile = './work/housing.data' # 506行14列
data = np.fromfile(datafile,sep=' ') # 7084 = 14 * 506，一行数据显示
data

数据形状变换

已知，一个房子的13种影响因素，存储在x矩阵中，以及该房子的房价y。

那么N个房子的表示则是：x[ ] N x13, 即N行13列，y[ ] Nx1，即N行1列。

# 14个影响房价的特征，X
feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE','DIS', 
                 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
# 长度14
feature_num = len(feature_names) # 14列
# print(data.shape[0] // feature_num)  # 7084//14 向下取整保留整数
# 14*506/14，14
# 即506*14 这个维度的，行506，列14
data = data.reshape([data.shape[0]// feature_num), feature_num])
 

数据集划分

# 取data的80%的数据，训练集
ratio  = 0.8
# data.shape[0] = 506行
# data[0] = 14 14个数据
# 测试数据值506*0.8
offset = int(data.shape[0]*ratio)
# 寻来数据集，按列切分，从0到offset
training_data = data[:offset]
# 输出404，14列
training_data.shape