机器学习阶段总结

在以上基础上，还需机器学习的专业知识（一些推导过程及思考方式）
以下是目前进行到的理论部分：
1.y=θx+ε(均为矩阵)
x与y具有某种关联关系，一系列x与y的数据样本得矩阵，θ为关键参数矩阵，θx为预测值，表示对x进行某种矩阵变换，ε为误差。
x的维度为y的某特征值，

比如某地的苹果市面单价，与以下因子相关：
x1：苹果原产地
x2：生产日期|
x3：个头大小
x4：品种
xn：…

假设1：每组x对应y的发生互相独立，即xy样本独立；
假设2：ε服从高斯分布（现实中，由众多因素的独立影响的综合分布，往往服从正态分布）

表格左侧为得到的市面售价实际数据y，右侧为设计的一系列θ权重，与相应的因子x乘积得出的猜测，显然实际与猜测之间总有误差，且对每一组猜测数据，都有对应的误差值。

机器学习的方法和目的：
输入：一系列x与y的数据，处理数据、选取模型算法、根据评价模拟的指标，
输出：调教出尽量合适的θ权重因子。
目的：发现xy内在的某种联系，实现：有新的x值，能预测y，或者有新的y值，可以预测x。

简述求θ理论过程：
1.y=θx+ε，因xy独立、ε服从正态分布，概率论知识，得到y关于参数（θ、x）的概率分布

因xy独立，则服从似然函数L(θ)，现在，找θ使L(θ)最大

进行取对数，使L(θ)最大，则J(θ)最小，即划线部分（损失函数、目标函数）。


得出θ关于xy的式子，为找到使目标函数J(θ)最小的θ，接下来是找梯度下降的方法，下次更新…