hustlei的专栏

softmax回归分类原理 对于回归问题，可以用模型预测值与真实值比较，用均方误差这样的损失函数表示误差，迭代使误差最小训练模型。 那么分类问题是否可以用线性回归模型预测呢。最简单的方法就是用softmax方法，softmax的原理： 以in_features个特征，out_features个类别为例。比如用花瓣大小、生长位置、花瓣形状三个因素，判断荷花和梅花，则in_features为3，out_feautures为2。 模型为 y1=x11w11+x12w12+x13w13+b1y2=x21w2

线性回归是人工神经网络的基础，感知机都就是单层或少数层的线性回归。线性回归属于有监督的学习，即根据有标签（已知结果的数据）拟合线性方程权重，然后根据拟合的方程预测未知数据。 通常步骤为： 准备数据：获取有标签的数据（有结果的数据）。 建立模型：根据线性方程设计模型。 配置模型：确定损失函数、优化方法、初始化参数。 训练模型：根据有标签的数据进行回归学习。 测试：根据训练好的（回归结果）线性方程模型计算，评估模型是否准确。 1 准备工作 导入必要的库。 import torch from torch im

先放上代码和注释吧，有空再写 #!/usr/bin/env python # -*- coding: utf-8 -*- '''最小二乘法回归y=wx+b。 by lei<hustlei@sina.cn> ''' import numpy as np import matplotlib.pyplot as plt #回归数据集 ##生成数据集 '''在线性方程y=2x+3上，随机取N个点，加上随机噪声，作为回归对象''' N=200 #回归数据点个数。 np.random.seed(2