本文介绍了机器学习中的线性回归，包括线性方程的解析和在预测中的应用，以及如何通过训练数据集确定回归方程。接着讨论了神经网络的基本结构、工作原理、优势和挑战。此外，还提到了损失函数的重要性以及优化算法如随机梯度下降法、批量梯度下降法等。最后，简要概述了回归与分类的区别，以及Softmax回归在多分类中的应用和交叉熵损失在分类问题中的作用。
一.线性回归
线性回归是一种基本的机器学习算法，用于预测一个连续的输出变量（因变量）和一个或多个输入变量（自变量）之间的线性关系。它通过分析自变量与因变量之间的线性关系来进行预测，并可以用于探索和预测变量之间的关系。
2x+3y=12这是一个线性方程的表达式，可以重写为 y = (-2/3)x + 4 的形式，表示x和y之间存在一个线性关系。其中，斜率为-2/3，截距为4。可以使用这个方程来预测当给定x时，y的值是多少。例如，当x为3时，y的值为 (-2/3)3 + 4 = 2。同样地，当y为6时，x的值为 (12-3y)/2 = (12-3*6)/2 = 0。在机器学习中，通常会使用训练数据集来确定回归方程的系数，以最小化残差平方和。一旦确定了回归方程，就可以使用它进行预测和推断。
二.神经网络
神经网络是一种受到人类神经系统启发的机器学习模型。它由多个称为神经元的基本单元组成，这些神经元通过连接权重相互链接。神经网络可以学习和适应输入数据中的复杂模式，并生成相应的输出神经网络通常被组织成多个层次，包括输入层、隐藏层和输出层。输入层接收原始数据作为输入，隐藏层根据连接权重对数据进行处理和转换，最后输出层生成最终的结果。每个神经元通过计算加权和并应用激活函数来决定是否激活，并将其输出传递给下一层。在训练神经网络时，需要一个带有已知输出的训练集。通过与
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
