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