企业官网建设流程全解析

一.线性回归

1.基本概念

（1）模型：相当于是一个数学公式，又分为确定的数学公式和模糊的即（数学思维）

（2）参数：函数中除了自变量和因变量之外的数

（3）训练集：用来寻找参数的数据集

（4）测试集：用来判断参数是否合理的数据集

（5）模型训练：寻找参数，使得模型在数据上的误差尽可能小的这个过程

（6）标签：相当于是因变量

（7）特征：自变量。特征是用来表征样本的特点

（8）损失函数：用来判断参数的误差是否够小（eg:平方损失）

（9）解析解：损失函数的解可以通过公式表达出来这样的解

（10）数值解 ：没有解析解的就是，这类解只能通过多次迭代利用优化算法来尽可能的降低损失 函数的值

（11）超参数：在小批量梯度下降算法中人为给定的一些数值

（12）调参：调的是超参数不是上述的模型的参数

2.线性回归表示方法

（1）神经网络图

输⼊个数也叫特征数或特征向量维度

输出层中的神经元和输⼊ 层中各个输⼊完全连接。因此，这⾥的输出层⼜叫全连接层

（2）函数表示

其中w1和w2是权重，b是偏差（bias），且均为标量。它们是线性回归模型的参数。模型输出是线性回归对真实的预测或估计。我们通常允许它们之间有⼀定误差

(3) 损失函数（平方损失）

一般情况，我们会求该值的平均值来衡量模型预测的质量

（4）小批量梯度下降算法（目的也是用来求参数）

先随机选取模型参数的初始值，接下来对参数进行迭代，每一次迭代都会下降损失函数的值。

即：先随机均匀的在大量固定的训练数据样本中选取小批量的样本，这些样本训练出来的模型的损失函数的平均损失进行求梯度（求导）让后给他乘以一个人为的正数最后由w减去该数

代表每个小批量中的样本个数，称作学习率并取正数。这两个数就是上述的超参数

3.线性回归实战

过程：数据——模型——损失函数——梯度求导——利用梯度更新函数——设置训练轮次——更新后的参数进行推理预测

二.逻辑回归

1.sigmoid函数：将输入值转化为0-1之间

损失函数

梯度下降公式（对w）

（对参数B）