Datawhale X 李宏毅苹果书AI夏令营5-2

名词复习：

训练数据和测试数据：训练数据用来训练模型，测试数据用来评估模型。

梯度下降法：一种优化方法，通过计算损失函数相对于参数的梯度来更新参数，使损失最小化。

学习率：控制模型学习步伐的参数，学习率过大可能导致模型不稳定，过小则可能训练速度过慢

线性模型是一种用来预测结果的数学方法。它使用一些已知的数据（比如过去的观看次数）来预测未来的观看次数。

数据可能会有其它规律

观察发现，观看次数每7天会有规律性变化，周五和周六观看人数特别少。这说明我们的模型只考虑前一天的数据可能不够好。

模型改进

为了提高预测准确性，可能需要考虑前7天的数据，而不仅仅是前一天的数据。理解数据的特点是改进模型的关键。

在现实中，观看次数的关系可能更复杂：

• 当前一天的观看次数小于某个值时，隔天的观看次数可能成正比。
• 当前一天的观看次数超过某个值时，隔天的观看次数可能会减少。

这种复杂性无法用简单的线性模型表示，称为模型的偏差。

分段线性模型

线性模型有一定局限性。为了更好地描述这种复杂关系，我们可以使用分段线性模型。红色曲线可以看作是多个Hard Sigmoid函数的组合。

Hard Sigmoid 函数

特性：当输入值在某个范围内时，输出会有一个斜坡，超出这个范围后，输出保持不变。

形状：先是水平的，然后是斜坡，再水平的。

1. 常数项：设定一个常数，使得红色曲线与 yy-轴的交点一致。
2. 蓝色函数：通过多个蓝色的 Hard Sigmoid 函数来构建红色曲线：
   • 第一个蓝色函数的斜坡起点设在红色函数的起始位置。
   • 第二个蓝色函数的斜坡设在红色函数的转折点之间。通过调整蓝色函数的参数，使得它们的斜率与红色函数的斜率一致，从而形成红色曲线的形状。