本文介绍了机器学习中的回归问题，重点讨论了线性模型、梯度下降法以及正则化在模型优化中的作用。通过股票预测、自动驾驶和推荐系统等应用举例，阐述了回归模型寻找输出标量函数的过程。文章详细描述了模型选择、损失函数、最佳函数的求解，特别提到了梯度下降法的优化过程，包括可能出现的问题和平滑函数的重要性。还探讨了过拟合现象及其解决方案，如增加数据维度、正则化，并解释了正则化如何使函数更平滑，提高泛化能力。
-Regresstion: 机器学习要找一个function，而regression 找的function ouput 是一个scalar .
应用举例：
- stock market forcast
- self - driving car
- Recommendation
machine learning 三个步骤：
- step1:Model
模型就是一组function set,以宝可梦为例，设计线性模型
若是多变量线性模型，则表示为：
- step2:Goodness of function
首先要收集训练资料，这些训练资料告诉机器说这个function input 和 ouput的对应关系。
定义并建立Loss function L：
用以衡量Model 里面function好坏。
L（f）是由w,b决定，写作成：
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
