一、回归定义
回归就是找到一个函数function,通过输入特征x,输出一个数值Scalar。
二、模型步骤
1、Step 1:模型假设—线性模型
一元线性模型(单个特征)
多元线性模型(多个特征)
2、Step 2:模型评估—损失函数
收集和查看训练数据
判断模型好坏:利用损失函数Loss function
3、Step 3:最佳模型—梯度下降算法
筛选最优模型:Gradient Descent
定义:
定义learning rate:
随机选取一个w0,计算微分(斜率)
根据斜率判断移动的方向:w>0向右移动增加w,w<0向左移动减少w。
以此类推,重复以上步骤找到最低点。
若有两个参数,做法也类似,随机选取两个数w0,b0,并计算微分,根据学习率移动
注:对w,b求偏微分的计算方法:
三、如何验证训练好的模型的好坏
用测试集求平均误差
四、一元N次线性模型
注:平均误差:
(求预测值与真实值之间的距离的平方和)
五、过拟合现象
六、步骤优化
1、Step 1优化:将两个input的四个线性模型合并到一个线性模型中
2、Step 2优化:加入更多input
3、Step 3优化:加入正则化