【无标题】

【Task02：回归】
1.1Model

假设function：y=b+w·xcp（线性模型），在最初的时候找一个更好的模型，再去训练参数值
1.2 goodness of function
训练数据（真正输入的data）：10只宝可梦原始的cp值和进化后的cp值
定义loss function——L(input是一个function，输出为这个function有多不好，就是这个function带来的误差，也就是衡量参数w,b的好坏)

挑选最好的function：
使用梯度下降（gradient descent）确定最佳的w和b使得误差最小。
确定过程：
①随机选取w0,b0，计算L对w和b的偏微分，通过对w和b的梯度下降学习，不断找到w0，w1～，b0,b1～，

②w,b的损失值图，不断梯度下降直到找到一个损失值最小的w,b

③真正关心的是利用训练出的模型去预测未知的宝可梦的cp值，通过预测结果，得出一个误差值，但如果想去找一个更好的模型，可以进一步去猜测一个更多参数的模型，在利用新的模型，去做以上类似的工作，但如果一味去最求训练数据的平均误差小的话，可能会导致测试数据的过拟合，就是误差过大。
通过不同模型比较，看训练集的平均误差和测试集的平均误差。

越复杂的函数，可以找到一个函数使得训练数据的平均误差越来越小，但不一定会造成测试数据上的平均误差小，这种现象也被称为过拟合，需要寻找二者平均误差均最小的模型

1.3更多参数考虑
考虑更多的参数，重新设计一个模型（不同的物种可能适用一个不同的模型）

可以将这些物种的模型融合到一个线性模型中，不过需要使用一个脉冲函数
，去决定是否使用这段函数。

变成这样

如果对于一个物质没有了解，可以将你所有能想到的因素带入到模型函数中，然后看会发生什么，可能会过拟合，但你可以通过加正则化（regularization）。在模型函数后面加上一个比较小的自变量（wi），（不用考虑b（只是模型线的上下移动））,这样就可以产生一个较小的因变量（y）产生一个更平滑的变化，这样可以考虑到如果有一个噪音值输入，会减小对结果的影响，但我们又不想太平滑，不然对结果也没有影响，因此需要找个最合适的。