吴恩达机器学习DAY-3（自用版）

3.1线性回归模型part-1（Linear Regression Model）

①例1：根据房屋大小预测房屋价格

模型将数据拟合为一条直线，我们称为监督学习，因为首先通过提供具有正确答案的数据来训练模型，因此可以为您获得的房屋大小预测价格。

这种线性回归模型是一种特殊类型的监督学习模型，被称为--回归模型Regression Model，因为它预测数字作为输出

有两种输入形式：

（提醒：与回归模型相比，另一种最常见的监督学习模型称为分类模型，分类模型预测类别或是离散类别）

②分类模型与回归模型的区别：

· 在分类模型中：只有少量可能的输出（ps：区分猫狗），因此存在一组离散的，有限的可能输出（predicts categories && small number of possible outputs）

·在回归模型中：可以输出无限多可能的数字（predicts numbers && infinitely many possible outputs）

③描述数据的符号：

·  训练集（a training set）：用于训练模型的数据集

· 小写x：代表输入变量input variable/输入特征input feature/特征feature（x=‘input’ variable）

· 小写y：表示您尝试预测的输出变量/目标变量（y=‘output’/‘target’ variable）

· 小写m：表示训练示例的总数（m=‘total number of’ training examples）

·（x，y）：表示单个训练示例（（x，y）=single training example）

·（xi，yi）:表示第i个训练示例（ith training example）注意不是求幂

3.2线性回归模型part-2（Linear Regression Model）

①要训练模型：

需要将训练集（包含输入特征input features和输出目标output targets）提供给学习算法；

然后监督学习算法会产生一些功能function=f；

f的工作是采用新的输入x和输出进行估计和预测y-hat（y-hat是对y的估计或预测，y指代真训练集中的真实值）；

②如何计算f的公式？

Linear Regression：f（x）=wx+b

具有一个输入变量的线性模型 = f（x）= 单变量线性回归Univariate linear regression

例如：x是房屋的大小

（由于此线性函数相对简单并且易于使用，先使用一条线为基础，最终获得更复杂的非线性模型）

课后：Jubeter lab

①简单教学：

②lab-1：

在这个未分级的实验中，您可以看到线性回归模型是如何在代码中定义的，并且您可以看到显示模型对给定w和b的选择的一些数据的拟合程度的图表。您还可以尝试不同的w和b值，看看它是否改善了对数据的拟合。

和课上一样，你们会用到房价预测的激励例子。

本实验将使用一个只有两个数据点的简单数据集——一个1000平方英尺(平方英尺)的房子售价30万美元，一个2000平方英尺的房子售价50万美元。这两点将构成我们的数据或训练集。在这个实验室里，面积的单位是1000平方英尺，价格的单位是1000美元。

你想通过这两点拟合一个线性回归模型(如上图蓝色直线所示)，这样你就可以预测其他房子的价格——比如说，一套1200平方英尺的房子。

len(x_train) 和 x_train.shape()都可以表示array的长度