# 2021.09.04
# 抱歉拖更了，最近事太多了，如果点赞超过一个，明天更新下一P
# 内容P3-P4
# 可参考以前一篇内容：https://blog.csdn.net/wistonty11/article/details/115719169
文章目录
P3：线性回归
3.0 机器学习分类
-
机器学习分类
监督学习、无监督学习、强化学习
-
监督学习分类
回归问题、分类问题
3.1 什么是回归
找到一个函数 f ( x ) f(x) f(x) ，通过输入特征数据x，输出一个数值 Scalar
-
【助解】类似于回归自然，回归自我。回归就是用估计值来靠近真实值
-
【和分类的区别】
分类和回归的区别不在于输入，而是输出的连续还是离散
预测房价的价格是一个回归任务；
我们数据多了，100平方的房子100万和100.5平方的房子100.5万，输出的房价是非常靠近的，分得越小输出约连续。
预测一张图片是猫还是狗的图片是分类任务。
-
回归问题也可以变成分类问题
比如我只有100.3万 超过了不买，没超过买。那么就成了分类问题。也变成了离散的
3.2 线性回归
线性回归就是要找一条线，尽可能地拟合(靠近)图中的数据点。
- 比如以下输入点大致满足线性
3.3 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）
3.3.1 选择模型框架：线性模型
线性模型 Linear model： y = b + ∑ w i x i y = b + \sum w_ix_i y=b+∑wi?xi?
-
① 这个y是个估计值，我们确定模型后，通过数据 x i x_i xi?，计算出来的，通常和真实值有误差；
-
② 这里 x i x_i xi?为向量，是一个特征
比如:
x c p x_{cp} xcp?为宝可梦CP(战斗点数)，y理解为战斗力，它的战斗力不仅和战斗点数有关，可能还和物种（Bulbasaur）、血量（HP）、重量（Weight）、高度（Height）等特征有关 -
③ b是偏移量，是个具体数
3.3.2 模型评估：损失函数
- 我们拿到一批数据，已知： x i x_i xi?, 真实值 y ^ \hat{y} y^? 未确定：w, b
- 目的是：真实值和估计值中间差最小
我们将真实值和估计值设置这个差值叫做损失函数Loss
以单个特征 x c p x_{cp} xcp?为例, 我们手里有1-10级的数据
损失函数： L ( f ) = ∑ n = 1 10 ( y ^ ? f ( x c p n ) ) 2 L(f) = \sum_{n=1}^{10}{({\hat{y}-f(x_{cp}^n)})^2} L(f)=∑n=110?(y^??f(xcpn?))2
因为估计值： f ( x c p n ) = b + w ? x c p n f(x_{cp}^n)=b+w*x_{cp}^n f(xcpn?)=b+w?xcpn?
∴ \therefore ∴ L ( w , b ) = ∑ n = 1 10 ( y ^ ? ( b + w ? x c p n ) ) 2 L(w,b)=\sum_{n=1}^{10}{({\hat{y}-(b+w*x_{cp}^n)})^2} L(w,b)=∑n=110?(y^??(b+w?xcpn?))2
我们目的就是这个L值最小。
3.3.3 最佳模型：梯度下降
如何来确定w,b从而确定比较准确的线性函数呢？
- 步骤1：随机选取一个 w 0 ， b 0 w^0，b^0 w0，b0
- 步骤2：计算微分，也就是当前的斜率，根据斜率来判定移动的方向：①大于0向右移动（增加w）②小于0向左移动（减少w）
- 步骤3：根据学习率移动
- 重复步骤2和步骤3，直到找到最低点
【举个例子】：https://blog.csdn.net/wistonty11/article/details/115719169
我们目标就是找F(w,b) 的最小值,想法是不断修正w,b的值
- 我们假设w=1 b=1 的初值，学习率为0.1
- 计算 F ( w , b ) = ( 1 + 1 ) 2 = 4 F(w,b)=(1+1)^2=4 F(w,b)=(1+1)2=4
- 我们修正b,对b求导，得2w+2b;修正w,对w求导，得2w+2b;因为一样，表格只写了2w+2b
- 计算 η ( 2 w 1 + 2 b 1 ) = 0.1 ? ( 2 ? 1 + 2 ? 1 ) = 0.4 \eta(2w_1+2b_1)=0.1*(2*1+2*1)=0.4 η(2w1?+2b1?)=0.1?(2?1+2?1)=0.4
- 修正后： w 2 = w 1 ? 0.4 （ w 0 修 正 部 分 ） = 0.6 w_2=w_1-0.4（w_0修正部分）=0.6 w2?=w1??0.4（w0?修正部分）=0.6,同b2=0.6
- 我们假设 w 2 = 0.6 ， b 2 = 0.6 w_2=0.6，b_2=0.6 w2?=0.6，b2?=0.6的初值，学习率为0.1
- 目标函数 F ( w , b ) = ( 0.6 + 0.6 ) 2 = 1.44 F(w,b)=(0.6+0.6)^2=1.44 F(w,b)=(0.6+0.6)2=1.44
- 对n=2的修正部分： η ( 2 w 2 + 2 b 2 ) = 0.1 ? （ 2 ? 0.6 + 2 ? 0.6 ） = 0.24 \eta(2w_2+2b_2)=0.1*（2*0.6+2*0.6）=0.24 η(2w2?+2b2?)=0.1?（2?0.6+2?0.6）=0.24
- 修正后： w 3 = w 2 ? 0.24 （ w 1 修 正 部 分 ） = 0.36 w_3=w_2-0.24（w_1修正部分）=0.36 w3?=w2??0.24（w1?修正部分）=0.36,同b3=0.36
循环下去，直到第17轮， w 17 = 0 , b 17 = 0 w_{17}=0,b_{17}=0 w17?=0,b17?=0时，目标函数F为0,结束收敛。
*备注:图标中n=10的时候F为0，其实是有数值的，但显示4位没显示全。
【w,b,η 初始值不同，最终结果会不同】
可看链接第六部分，注意
https://blog.csdn.net/wistonty11/article/details/115719169
3.4 如何验证好坏
3.4.1 适当增加函数复杂度
我们前面做的是找到这个模型f,让模型尽可能的对已知的数据重合,但验证模型好坏，是一批新的数据（检验集）
- 使用 y = b + w ? x c p y=b+w*x_{cp} y=b+w?xcp?，训练集和测试集训练的平均误差为31,9
- 使用 y = b + w ? x c p y=b+w*x_{cp} y=b+w?xcp?，新的数据，平均误差为35.0
- 使用 y = b + w 1 ? x c p + w 2 ? x c p 2 y=b+w_1*x_{cp}+w_2*x_{cp}^2 y=b+w1??xcp?+w2??xcp2?，训练数据，平均误差为15.4；新的数据误差为，18.4
- 不断复杂估值函数可以么？
实验证明是不可以的。不断复杂估值函数，我们训练数据估出来的y会越来越接近训练数据的真实值，但我们手里的数据是有限的，我们的目的是估值函数普遍受用，我们发现当增加5次的时候，在新数据中，反而误差变大了，反而违反了初衷，这种现象叫做Overfitting（过拟合）
适当复杂估值函数是可以减少误差的，太复杂可能过拟合。
3.4.2 加入更多影响因子
造成宝可梦最终攻击能力，不仅要看cp值，还可能受宝可梦种类，血量等因素影响。
那我们将四个种类因素合成一个式子来进行学习。
3.4.3 优化：加入正则化
权重 w 可能会使某些特征权值过高，仍旧导致overfitting，所以加入正则化。
增加正则因子（惩罚因子regularzation）
- 参数w取值更加小，得到的结果更加准确,函数更加平滑.
因为w权重小了，当x变了一个x + △ x（很大的变化量）的时候，整体的y = w ? x + b 才会变化，在图上，随着x变化，越小的wi,使f变化变得缓慢，更光滑。更容易找到更好的w,b,即找到的估值函数更靠谱。
- 理论上，那么这个 λ \lambda λ越大，w权重越大，那么w可以变化可以越细微，得到的值就会更准确，是真的么？
- 如果 λ \lambda λ非常大，w权重非常大，那么w可以变化极其细微，也就使得函数非常光滑，近似于一条直线，可能效果反而会不好
λ = 100 时 \lambda=100时 λ=100时，测试结果已经达到Loss=11.1 相对于刚才得出的最好结果（选择指数为3次的函数）18.1，又进步了不少。
增加正则因子可以优化函数，其中 λ \lambda λ取值要适当, w i w_i wi?越小，函数越光滑，结果更准确。