标签：CP 特征 回归 -- 线性 Task02 模型 输入
目录
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
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。