1.回归的定义：找到一个函数，输出一个特征值，后输出数值。
如：以过去房价数据预测未来的房价，李宏毅老师油管过去节目观看人数预测未来的最近节目观看人数。
2.模型步骤：
(1) 模型假设–线性模型：yi=xi*w+b
其中x为features,w为weight,b为bias；xi可以为多个feature.
(2)模型评估–损失函数
在模型训练资料后得到了资料的分布，从数学的角度真实值y^到y轴的垂直函数的最小距离来判断模型的好坏（欧几里距离），损失函数如下：
一般来说，损失函数越小模型越好，但不代表越小的损失函数模型就越好。
3.最佳模型-梯度下降
为了找出最好的函数，我们需要确定w和b的值。而w和b的值不止一个。我们需要使用梯度下降的方法来不停迭代w和b的值，来找到最好的函数。
例w的更新：
随机选取一个w0,对其求导数。w0的导数（斜率）决定了其前进方向。
之后引入步长 决定因素，η（学习率：人工设参），从而得到w1的更新（w2…wn，b1…bn同理）找到当前最小值。：
3.过拟合以及优化：
使用使用训练集和测试集的平均误差来验证模型的好坏 ，当测试集的平均误差大于训练集误差时，过拟合现象出现。（训练集比较理想，而测试集过程却比较糟糕）
优化步骤：
1.将多个线性模型合并到一个线性模型中
2.加入更多的特征xi,
但加入更多特征后导致w会使一些特征权重过大，仍然过拟合
3.加入正则化
（正则化这里不是了解后续去补）
目前的理解是：在损失函数中增加一项，那么其实梯度下降是要减少损失函数的大小，减 少这个正则项的大小，那么也就是会减少W权重的大小。
越小的wi使函数越平滑，我们则认为越平滑的函数则可能是正确的。而b趋向于0对于函数的平滑程度没有影响。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
