- 1、回归定义
- 2、模型步骤
- 2.1、模型假设 - 线性模型
- 2.2.1、一元线性模型（单个特征）
- 2.2.2、多元线性模型（多个特征）
- 2.2、模型评估 - 损失函数
- 2.3、最佳模型 - 梯度下降
- 2.3.1、单变量寻优
- 2.3.2、多变量寻优
- 3、模型验证与检验
- 4、优化模型
- 4.1、四个种类的二元线性模型是合并到一个线性模型中
- 4.2、多输入特征分析（放大招）
- 4.3、加入正则化（平滑操作）
- 5、总结
1、回归定义
Regression（回归）就是找到一个函数 functionfunction ，通过输入特征 或者特征系列xx，输出一个数值 ScalarScalar。
例子：Pokemon精灵攻击力预测（Combat Power of a pokemon）：
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
以一个特征 x c p x_{cp} xcp为例，线性模型假设 y = b + w ⋅ x c p y = b + w·x_{cp} y=b+w⋅xcp，所以 w w w和 b b b可以猜测很多模型。x表示输入的对象，下标cp表示对象的一个特征。
2.2.2、多元线性模型（多个特征）输入多个特征，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。
由此，假设模型为：
线性模型 Linear model：
y
=
b
+
∑
w
i
x
i
y = b + sum w_ix_i
y=b+∑wixi
x
i
x_i
xi：就是各种特征(fetrure)
x
c
p
,
x
h
p
,
x
w
,
x
h
,
⋅
⋅
⋅
x_{cp}, x_{hp}, x_w, x_h,···
xcp,xhp,xw,xh,⋅⋅⋅
w
i
w_i
wi：各个特征的权重(weight)
w
c
p
,
w
h
p
,
w
w
,
w
h
,
⋅
⋅
w_{cp},w_{hp},w_w,w_h,··
wcp,whp,ww,wh,⋅⋅
b
b
b：偏移量(bias)
手机训练数据，共十组数据，定义 x 1 x^1 x1是进化前的CP值， y ^ 1 hat{y}^1 y^1进化后的CP值， ^ hat{} ^ 所代表的是真实值每一个点 ( x c p n , y ^ n ) (x_{cp}^n,hat{y}^n) (xcpn,y^n),对应着进化前的CP值和进化后的CP值。
使用损失函数（Loss function）来衡量模型的好坏，统计10组数据真实值与预测值差值平方和
(
y
^
n
−
f
(
x
c
p
n
)
)
2
(widehat{y}^{n}-f(x_{cp}^{n}))^{2}
(y
n−f(xcpn))2的和，和越小模型越好。
寻求最小的损失函数（Loss function）对应的（w，b）。
已知损失函数 L ( w , b ) = ∑ n = 1 10 ( y ^ n − ( b + w ⋅ x c p ) ) 2 L(w,b)= sum _{n=1}^{10}(widehat{y}^{n}-(b+w cdot x_{cp}))^{2} L(w,b)=∑n=110(y n−(b+w⋅xcp))2，寻找 w ∗ , b ∗ = a r g min L ( w , b ) w^{*},b^{*}=arg min L(w,b) w∗,b∗=argminL(w,b)
2.3.1、单变量寻优定义
w
∗
=
a
r
g
min
i
n
L
(
w
)
w^{*}=arg min inL(w)
w∗=argmininL(w)，通过梯度下降寻找到关于w的局部最优解（非全局最优，寻找的点为极值非最值）
下图中
w
0
w^0
w0为随机选取初始点；
引入多个模型参数，求偏微分：
优化过程可视化：
可能存在的问题：
梯度消失；
梯度爆炸…
使用训练集和测试集的平均误差来验证模型的好坏 我们使用将10组原始数据，训练集求得平均误差为31.9，如图所示：
然后再使用10组Pokemons测试模型，测试集求得平均误差为35.0 如图所示：
（本人认为使用测试集来验证模型结果，有一点奇怪，但是在本文中，却又比较合理，因为没有具体区分测试集与验证集）
增加模型阶数，会发现出现**过拟合（overfitting）**情况：
在训练集上面表现更为优秀的模型，为什么在测试集上效果反而变差了？这就是模型在训练集上过拟合的问题。
通过修改模型处理对象数目来优化模型。例如，Pokemons种类是隐藏得比较深得特征，不同Pokemons种类影响了进化后的CP值的结果。
4.1、四个种类的二元线性模型是合并到一个线性模型中通过对 Pokemons种类 判断，将 4个线性模型 合并到一个线性模型中
或者转化为合并形式，（引入冲击函数（激活函数））
优化结果：
如果希望模型更强大表现更好（更多参数，更多input），将血量（HP）、重量（Weight）、高度（Height）也加入到模型中。
更多特征，更多input，数据量没有明显增加，仍旧导致overfitting。在上图中，可以看出模型默认
x
c
p
x_{cp}
xcp 是与种类有关，而其他特征与种类无关，（可能是个小BUG，不过完善了肯定继续过拟合）。
更多特征，但是权重 ww 可能会使某些特征权值过高，仍旧导致overfitting，所以加入正则化。正则化可以通过调整模型的倾斜程度，调整模型对于噪声的敏感度。
不同正则项的验证与测试结果如下：
- w 越小，表示 function较平滑的， function输出值与输入值相差不大。
- 在很多应用场景中，并不是 w越小模型越平滑越好，但是经验值告诉我们 w越小大部分情况下都是好的。
- b 的值接近于0，对曲线平滑是没有影响
Pokemon：原始的CP值极大程度的决定了进化后的CP值，但可能还有其他的一些因素。
Gradient descent：梯度下降的做法；后面会讲到它的理论依据和要点。
Overfitting和Regularization：过拟合和正则化，主要介绍了表象；后面会讲到更多这方面的理论
解决过拟合方法有很多，除了正则化，还有earlystopping等，具体我也有点忘了。
