m0_74228185的博客

之前输入数据都是一维输入，一维输出，这里以这个数据为案例，输入8维的数据，这8维度分别代表8个特征，Y代表好坏情况。

也是用y=wx+b的模型来举例，之前的输出y属于实数集合R，现在我们要输出一个一个概率，也就是在区间[0,1]之间。我们就想到需要找出一个映射，把我们之前的输出集合R映射到区间[0,1]，他就是函数Sigma，这样我们就轻松的实现了实数集合到0~1之间的映射。logistic 适用于分类问题，这里案例( y为0和1 ，0和 1 分别代表一类）于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。

模型的准确性，跟轮数的多少有关系 ，如果轮数为100，最后测试结果的y_pred肯定不为8.00，这里轮数为10000,预测结果跟实际结果基本一样。Linear(1, 1) : 表示一维输入，一维输出。这里是轮数为100，结果是 7点多，有一定误差。因为轮数过多，这里展示后面几轮。

横坐标表示训练的轮数，纵坐标为损失值，通过图分析，随着训练轮数的增加，损失值逐渐减少，趋于0（可能会不等于0）使用梯度下降算法，如果遇到鞍点（总体梯度和为0的点），那么就会导致w = w - 学习率 * w中，,为了解决这个问题，就提出了随机梯度下降算法，随机选取一组（x, y）作为梯度下降的依据。这里案例是用梯度下降算法，来计算 y = w * x。先计算出梯度，再进行梯度的更新。

2.w.grad 表示张量w的梯度，其本身w.grad是张量 用时(标量计算时)需要取w.grad.data，表示张量w.grad的值,输出格式tensor[数]，(梯度输出时)需要取w.grad.item()，表示返回的是一个具体的数值,输出格式 数。“C:\Program Files\Python38\python.exe” C:\Users\惊艳了时光\Desktop\code\机器学习\反向传播算法.py。这里用反向传播算法，计算 y = w * x模型。

这里用穷举法:在一个范围内，列出w的所有值，并且计算出每组数据的平均损失值,以w 为横坐标, 损失值为纵坐标，作图，找到损失值最低的点，对应的就是最适合 的w。如图，w = 2时，损失值最小，所以w = 2是该训练数据合适的权重。先利用mershgrid函数， Axes3D函数，建立网格坐标。这里求权重w , 求最适合的权重，就是求损失值最小的时候。y = w * x + b模型，就需要3D绘图。在利用plot_surface进行绘图。如果所示，这是该训练数据的图。

pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入 了大量库和一些标准的数据模型，提供了高效地操作大型结构化数据集所需的工具。

绘制折线图使用plot函数进行绘制第一个参数为x 横坐标，第二个参数为y纵坐标，第三个参数为线的颜色和类型，第四个参数是线的标签绘制完成之后使用show函数，将图形展示出来简单的折线图演示#绘制折线图plt.show()较为全面的折线图演示import matplotlib.pyplot as plt #导入库#绘制折线图plt.plot(x, y, "rs--", label="测试样例1")#字体的设置。

Numerical Python，数值的Python，补充了Python语言所欠缺的数值计算能力。Numpy是其它数据分析及机器学习库的底层库。Numpy完全标准C语言实现，运行效率充分优化。Numpy开源免费。