目录

• 回归定义
• 应用举例
• 模型步骤
• Step1:模型假设--线性模型
• • 一元线性模型（单个特征）
  • 多元线性模型（多个特征）
• Step2:模型评估--损失函数
• Step3:最佳模型--梯度下降

回归定义

回归（Regression）就是找到一个函数function，通过输入特征x，输出一个数值Scalar。

应用举例

（1）股市预测（Stock market forecast）

• 输入：过去几年股票的变动、新闻咨询、公司并购咨询等
• 输出：预测股市明天的平均值
  （2）自动驾驶（Self-driving Car）
• 输入：无人车上的各个传感器（sensor）的数据，例如路况、车距等
• 输出：方向盘的角度
  （3）商品推荐（Recommendation）
• 输入：商品A的特性，商品B的特性
• 输出：购买商品A的可能性或购买商品B的可能性
  （4）Pokemon精灵攻击力预测
• 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

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）

Step1:模型假设–线性模型

一元线性模型（单个特征）

以一个特征Xcp为例，线性模型假设 y = b + w · Xcp，所以w和b根据实际情况可以猜测很多模型。

多元线性模型（多个特征）

实际应用中，输入特征肯定不止一个。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。​

Step2:模型评估–损失函数

以单个特征为例，我们会使用损失函数（Loss function）来衡量模型的好坏。

Step3:最佳模型–梯度下降

标签：CP,特征,回归,--,线性,Task02,模型,输入
来源： https://blog.csdn.net/weixin_46148562/article/details/122462131