Regression回归

• 对照学习框架来看
  

  • 他是上一节中的scenario场景中的一个 task任务：Regression回归

  • Regression：output a scalar 回归：输出是一个数值量

  • 上节课说机器学习就是为了找到一个function，那回归要做的事情就是我们要找的那个function的output是一个数值，也就是说我们要找的function的output是一个数值，就是我们的回归Regression

• Regression的几个例子：1.股票预测，就要用到Regression这个技术，他的function的Input是往年股票的一些数据或咨询之类的，output输出是哪家股票上涨的一个数值。2.无人车：也是找function，只不过他很复杂，他的input是一些sensor数据，距离之类的数据，output就是方向盘的角度之类的，也是数值。3.可购买性计算
  
  

  • 应用举例：培养宝可梦的CP战斗力值

    • 找一个function，他的input就是进化前的宝可梦的，output就是进化后的CP值
      
      

  • 根据我们之前说的机器学习的步骤分三步

    • 1.Model（找一个模型），就是一大堆数据
      • 也就是找一组function set
      • 我们需要的这些function他的input就是某一只宝可梦记作x，output就是进化后的CP值记作y
      • 根据自己写的公式：y=b+w*xcp，作为function的输出计算公式（w和b是模型的参数）
        
      • y1，y2，y3我们都假设好了，但我们知道y3是不合理的，我们让机器自己挑出哪些是合理的哪些是不合理的，挑出最好的function
      • 由公式得出线性模型（Linear model）如下图
        
    • 那我们现在有了一个model之后，接下来就进行第二个步骤
      • 第二个步骤就是去衡量model里的function有多好有多不好，这件事怎么做？
      • 首先需要搜集一些训练的资料（Training Data），而训练的资料里面必须要告诉机器说：这个function的input和output的对应关系（也就是说进化前与进化后的对比），比如抓一只小龟CP是612，然后进化后的CP是979，这就是一组对应关系
      • 这其实并不是真正的例子，我们是有真正的例子的，比如我现在的Training Data里有10只宝可梦用x1~ x10表示，十只的输入，用y1~y10来表示十只的输出。这个是真正的Data。把这十只用图表示出来十个点，每个点就是每只宝可梦进化前和进化后的CP值
        
      • 接下来有了这些Training Data以后，我们就可以来衡量这个Function有多好有多不好。根据自己定义的公式来进行衡量（Goodness of Function），根据Loss Function的公式，然后通过公式解算就选择最好的Funchtion，这个公式可以通过线性代数解出来
        
      • 这个Gradient Descent梯度下降，可以用在各种不同的task上面，我们只要定义出这个Loss Function L出来，不管model是什么样的，只要对输入的参数是可微分的，那我们就可以用Gradient Descent