Task01:
观看机器学习介绍（1 天）
keyword
一、Regression
- 定义
- 应用
二、Model
- 模型假设
- 模型评估
- 模型优化
感受：仅仅是完成任务，但并不理想。
1、没有学前基础：数学知识遗忘的差不多了；可以算得上没有python基础；
2、看完视频并零零散散地记录了一些笔记，对回归有了一定的认知，但【模型】这一部分就一言难尽了。
一、Regression
定义：
Regression，找到function，input feature ，output scalar
应用：
Regression 可以进行股票预测、自动驾驶、推荐系统，它输出的是数值
- 股票预测：f（股票数据）=股票预测
- 自动驾驶：f（无人车感知的信息）=方向盘的角度
- 推荐系统：f（使用者A 商品B）= 购买可能性
二、 Model
1、模型假设
- 一元线性模型
- 多元线性模型
2、模型评估
如何评估模型的好坏。从数学的角度解释：可以用真实值和期望值的距离，进行评估。用损失函数（方差）评估模型的好坏：loss小，模型好；
方差公式，来源网络
损失函数
3、模型评估-梯度下降
以一元线性方程为例：
- 引入学习率
:移动的步长
1、随机选取初始值：
2、计算微分，即$w^{0}的斜率 - 大于0，
向右移动
- 小于0，
重复以上步骤，直至找到最低点；
多元线性方程与之同理；
———————————————————-
1、如何验证训练好的模型好与坏：
使用训练集和测试集的平均误差来验证模型的好坏
image.png
2、更复杂的模型：一元N次线性模型
引入更为复杂的模型，进行优化
image.png
会出现：模型训练效果好，但是在测试集训练效果不佳的情况——overfitting。需要进行优化：
1、引入多个线性模型，合并到一个线性模型；
2、引入更多的特征，input feature（原模型未涉及的，如血量、高度、重量）
3、需要通过regulartion（正则化），让模型变得更平滑。（函数的平移，与模型的平滑度无关，故不需要考虑bais）。
