Task02:回归

目录

回归定义

回归(Regression)就是找到一个函数function,通过输入特征x,输出一个数值Scalar。

应用举例

(1)股市预测(Stock market forecast)

  • 输入:过去几年股票的变动、新闻咨询、公司并购咨询等
  • 输出:预测股市明天的平均值
    (2)自动驾驶(Self-driving Car)
  • 输入:无人车上的各个传感器(sensor)的数据,例如路况、车距等
  • 输出:方向盘的角度
    (3)商品推荐(Recommendation)
  • 输入:商品A的特性,商品B的特性
  • 输出:购买商品A的可能性或购买商品B的可能性
    (4)Pokemon精灵攻击力预测
  • 输入:进化前的CP值、物种(Bulbasaur)、血量(HP)、重量(Weight)、高度(Height)
  • 输出:进化后的CP值

模型步骤

  • step1:模型假设,选择模型框架(线性模型)
  • step2:模型评估,如何判断众多模型的好坏(损失函数)
  • step3:模型优化,如何筛选最优的模型(梯度下降)

Step1:模型假设–线性模型

一元线性模型(单个特征)

以一个特征Xcp为例,线性模型假设 y = b + w · Xcp,所以w和b根据实际情况可以猜测很多模型。

多元线性模型(多个特征)

实际应用中,输入特征肯定不止一个。例如,进化前的CP值、物种(Bulbasaur)、血量(HP)、重量(Weight)、高度(Height)等,特征会有很多。​

Step2:模型评估–损失函数

以单个特征为例,我们会使用损失函数(Loss function)来衡量模型的好坏。

Step3:最佳模型–梯度下降

Task02:回归
Task02:回归
Task02:回归

上一篇:如何使用 Docker Cp 在主机和容器之间复制文件


下一篇:使用微信把想看的书籍推送到心爱的Kindle上