Regression:目标是为了输出一个标量
例如：

Example Applicatiom

估计一个宝可梦进化后的CP值。可以使用多个输入的参数：Xcp，种类Xs，HP，Xw，Xh

• Step 1：选择一种模型
  这里选择线性的模型：y = b + WX；其中b为偏置值，W为权重。但是随着w和b的取值不同，模型函数的表现不一样。

  
  
  image.png

• Step2 使用损失函数判断选择的模型的好坏
  我们的目的是根据输入值（例如CP值）来预测进化后的CP输出值。

  
  
  
  

  我们拿到一系列的训练数据是真实的数据，根据训练数据去拟合一条直线，获取最合适的w和b值。

  
  
  
  我们如何判断此最合适的w和b的值呢？是通过一个loss函数来判断，的loss函数的值越小，证明预测值与真实值的差距越小。
  
  
  下图描述w和b的分布与loss函数大小之间的关系，颜色越浅，loss越小。

• Step3 选择最佳的函数：梯度下降
  如何一步一步调整w和b的大小从而得到最好的函数呢？需要用到求导的方式，往导数减少的方向去调整参数。

  
  
  
  

  往导数减少的方向去调整参数，即往梯度下降的地方去调整，直到梯度为零时，即找到局部最优点。

  
  
  
  每次往梯度下降的方向移动的步伐大小，即学习率。
  
  
  
  
  

  每次计算当前梯度的大小并更下w和b的值，得到下一次计算的w和b的值。

  
  
  
  顺着梯度下降的地方，一步一步走向loss函数的最低点。
  
  
  但是并不是每移动一步，获取的loss值都比上一个此获取的loss值小的，也有可能“步子太大”而跳过了最低点。
  
  
  可能会出现的几种情况：1）在一个梯度很小的地方慢慢移动；2）阻塞在一个梯度为0但不是最低点的地方；3）阻塞在一个局部最低点。
  
  
  如何计算梯度？就是遵循求导法则即可。
  

• 结果判断
  假设我们训练得到一个使loss最小时的w和b的值。

  
  
  
  

  我们判断这个模型好不好时，需要把此模型用在测试数据上，并判断测试数据在此模型中的平均loss值。

  
  
  
  如果我们选择另外一种模型对数据进行训练，例如二次函数模型，将会得到loss更小的结果。
  
  
  在进一步，选用三次函数进行训练数据，得到的结果更加好。
  
  
  

  但是，如果使用了四次甚至五次函数进行训练时，得到的loss反而比三次函数模型大，为什么？因为发生了过拟合现象了。

  
  
  
  
  
  在模型的选择上，其实高阶模型对低阶模型是一种包含的关系。
  
  
  我们可以看到上述问题中，模型次数与loss的关系。
  

更复杂的参数选择

如果现在数据量变大了，分布变得更加不线性了，需要怎么办呢？

这时候一个参数Xcp已经不能很好地训练出一个好的模型了，还需要加入一个种类的参数。

• 两种输入参数的情况
  除了Xcp之外，还需要考虑参数Xs，随着Xs的不同，所选取的b和w也不一样，针对每一种宝可梦去建立不同的参数b和w。

  
  
  
  
  
  

  可以用此方法训练出三条拟合线，针对不同种类的宝可梦。

  
  

• 更多输入参数的情况

  
  
  
  
  
  

  可以对求loss函数的时候加入正则化的操作，使拟合的曲线更加平滑。

  
  
  
  但是，λ的值越大，得到的曲线虽然越平滑，也会使结果loss越大。
  

总结

胶片来自于台湾大学李宏毅教授的《机器学习课程》，侵删!