李宏毅机器学习2016 第一讲 回归案例分析

本人于2017年12月5日开始学习机器学习课程，个人对机器学习及深度学习已有一定的了解。学习此次课程的目的是为了加深对机器学习的认识，以期达到进阶以及加深理解的作用，此外也希望通过完成课程作业，能够提升自己的实战项目能力。

视频链接：李宏毅机器学习(2016)_演讲•公开课_科技_bilibili_哔哩哔哩

课程资源：Hung-yi Lee

课程相关PPT已经打包命名好了：链接：https://pan.baidu.com/s/1qXIvgb6 密码：4y97

Regression

本章节主要讲解了回归、梯度下降、如何选择模型、过拟合、正则化，并通过实际案例Pokemon的讲解加深对回归的理解。

1.线性函数

线性函数

如何选择一个模型能够正确预测出结果呢？本章节主要使用回归的方法。线性函数是形如上式的集合。

2.损失函数

损失函数

损失函数用来评价一个函数的好坏，通过计算预测出的值与实际值之间的差值进行评价。

3.梯度下降

梯度下降的主要目的是使损失函数最小，寻找到全局最优值。梯度指的是偏导数，也可理解成斜率。当其值为负时就增加w，为正时就减小w，因此

梯度下降第一步，对于函数y=w*x+b

在梯度下降问题中，其结果和初始值的选择大小高度相关。会陷入局部最小值。

但在线性回归中，损失函数是凸函数，是没有局部最小值的。

4.测试数据

模型在新数据上的表现是评价好坏的最重要的指标。

5.过拟合

通过不断的增强模型的复杂度（添加二次项、三次项......）会不断减小损失函数的值，但在测试数据上的表现会因为过拟合的出现导致结果误差反而更大。一个复杂的模型并不总是会在测试数据上表现得更好。

6.重新设计模型

考虑多种因素，构造出更强的模型。选择多种特征。

7.正则化。

加入正则项可以避免过拟合的出现。

正则化为什么正则化？

平滑函数能够在噪声数据出现时，受到更少的影响。不至于过度拟合那些离群点数据。

加入正则项恰恰可以使得函数更平滑。正则项参数λ的值是一个超参数，也是个调参值。

此处，还有一个小问题是正则项的设计要不要考虑偏置b？答案是不需要，因为b和函数的平滑程度无关，只是对函数上下平移了。

8.如果最终在测试数据上得到平均误差值为11.1，那么在另外的新的数据上的表现会怎样？

Overestimate误差会高于11.1。

总结：

1.Pokemon实例生动有趣。

2.梯度下降主要原理及注意事项。

3.过拟合和正则化。

机器学习