官方网站下载打印机驱动,前端作业做一个网站,如何制作网页设计,怎么建设一个论坛网站Day7 Regression Case study #xff08;预测宝可梦的cp#xff09;
Regression 可以做什么#xff1f; 股票预测 自动驾驶 推荐 预测宝可梦的cp#xff08;能力类似这样的属性把#xff09; 这里突然想到#xff0c;是不是可以用洛克王国和赛尔号做事情哈哈 注意#…Day7 Regression Case study 预测宝可梦的cp
Regression 可以做什么 股票预测 自动驾驶 推荐 预测宝可梦的cp能力类似这样的属性把 这里突然想到是不是可以用洛克王国和赛尔号做事情哈哈 注意 用下标来表示某一个完整的物体的某一个部分例如x 表示妙蛙种子那么 xhp 就表示它的生命值xcp 就表示我们要预测的战斗力等等 review 做机器学习的三个步骤 找一个modelfunction set 关于函数的集合制定评价函数好坏的指标找一个最好的function Example预测宝可梦
Step1 Model 注意这里的做法看似简单 但是这种思想却是贯穿机器学习始末的用简单的抽象的函数来表示我需要解决的问题 Step2 Goodness of function
抓取一部分的training Data 来训练我的参数 注意这里用上标来表示一个完整的个体的编号; 在本课程中使用 yhead y ∧ y\wedge y∧来表示正确的值 Loss Function : 一个函数的函数
input a function ,output :how bad it is 因为f 是由w 和b 来决定的
Step 3 Best Function (Gradient Descent )
找到最好的function 也就是使得 L 最小 这里用线性代数的方法可以直接求 最速下降法Gradient Descent更有普遍性和计算机领域的意义 how can we do better ?
select another model 个人感觉这里用多项式进行复杂函数的逼近有一点像泰勒展开泰勒级数不同的点在于这里的w 是彼此无关的然而泰勒级数的展开式和展开点相关性极强 从这里可以嗅到过拟合Overfitting的味道啦~ Let’s collect more data what are the hidden factors ? improve the model (consider the category )
Redesign the Model 这样的变形还是 linear model 吗分段 这里蓝色的部分就是我的feature 本质上还是 linear model Are there any other hidden factors? 使用了一个比较复杂的function 发现过拟合了
两种方案去掉不重要的因素feature
or Regularzation 正则化 更加平滑 减少 输入xi 对输出的影响 红色的框框就是 Regularization的项 why we like the smooth ? (哎嘿~ 哈哈 )
减少noises 的干扰尤其是我们并不知道 noises 是什么的情况下 如果知道的话 直接剪掉不就好了哈哈 λ \lambda λ 太小过拟合 太大 欠拟合 how smooth ? (如何选择 合适的 λ \lambda λ) 这里老师简单跳过了直接看图选 为什么不加b b 的大小和平滑程度无关 Conclusion
cp is determined b the before cp and the speciesGradient Descent(我这里没有过多花时间因为之前学过几遍了 感兴趣的同学可以去看看吴恩达的Gradient Descent)Over fitting and Regularization (正则化) 这里加深了对正则化的理解注意区分 正则化和 归一化这类预处理 提问好吧 不知道感觉有高有低没有依据
