机器学习心得01 线性回归 linear regression

学习课程为 李宏毅教授的17年机器学习课程http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html

应用示例：神奇宝贝经过进化后的能量值

f(x)=y

x=(x_s,x_hp,x_w,x_h) 如X_h表示神奇宝贝的身高X_w表示神奇宝贝的重量X_s表示种类

 

第一步：建模（model）

版本0：基础版本

找一组函数

b和w可以是任意值

线性模型Linear model:

 

是特性feature

       权重       偏倚

版本1：不同种类的神奇宝贝，用不同的线性模型

 

第二步：方法的适用性Goodnessof Function

版本0：基础版本

             输入                  输出（必须是数值）

 

采用以下十组训练数据Training Data

 

通过函数以及训练数据找到函数的适用性

 

 

损失函数Loss function

通过损失函数的输出可以知道每一个函数到底有多差

 

 

表示实际的进化后的能量值

通过模型预测的进化后的能量值

 

挑选出最优秀的函数，即对应损失函数输出值最小的函数

版本1：规则化regularization

修改损失函数

 

 

第三步：梯度下降法 GradientDescent

case1：假定损失函数L(w)只有参数w

1、随机选择

 

2、计算此处的导数值

如果为正 向x轴负方向

如果为负 向x轴正方向

 3、

 反复迭代

问题1：我们得到的结果并非全局最小值，而是局部最小值W^T

 case2：假定损失函数L(w,b)有两个参数w和b

1、随机选择

2、计算此处的偏导值

 

问题2：我们得到的结果并非全局最小值，而是鞍点

 

偏导的计算：

 

 模型的选择：

针对训练数据的损失函数值来说，模型越复杂，即次数越高，其值越低，即效果越好，因为公式2相当于公式3的子集，当公式3的参数w₃=0

过拟合overfitting：越复杂的模型未必在测试数据上产生更好的效果

日常学习之余，我还是七月在线https://www.julyedu.com的校园大使

所以，您联系我可以获得各种优惠券，享受优惠。