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。