模型表示
這是我們第一個學習的演算法，線性回歸演算法，這節我們就介紹一下這個演算法的概況，以便于我們更加了
解監督學習程序完整的流程，
讓我們先通過一個例子開始：
這個例子是預測住房價格，我們要使用一個資料集，資料集包括某一個市的住房價格，在這里，我們要
根據不同房屋尺寸所售出的價格，畫出我們的資料集，比如如果你的朋友的房子是1250平方尺大小，
你要告訴他們這房子能賣多少錢，那么，你可以做的一件事就是構建一個模型，也許是條直線，從這
個資料模型上來看，也許你可以告訴你的朋友，他能以大約 220000(美元)左右的價格賣掉這個房子，
這就是監督學習演算法的一個例子，
這個之所以被稱為監督學習是因為對于每個資料來說，我們都給出了“正確的答案”，即告訴我們，根據
我們的房子大小來說，房子的實際價格是多少，而且，更具體的說，這是一個回歸問題，
回歸：我們根據之前的資料預測出一個準確的輸出值，對于這個例子就是價格，
同時還有另外一種常見的監督學習的例子，叫做分類問題，當我們想要預測離散的輸出值時，例如，
我們正在尋找一個 一個蛋蛋是好的還是壞的這就是0/1離散輸出的問題，更進一步說，在監督學習中我
們有一個資料集，這個資料集被稱為訓練集(Training Set)，
我們將要用來描述這個回歸問題的標記如下: 𝑚 代表訓練集中實體的數量
𝑥 代表特征/輸入變數
𝑦 代表目標變數/輸出變數
(𝑥, 𝑦) 代表訓練集中的實體
(𝑥(𝑖), 𝑦(𝑖)) 代表第𝑖 個觀察實體
? 代表學習演算法的解決方案或函式也稱為假設（hypothesis）
這就是一個監督學習演算法的作業方式，，我們可以看到這里有我們的訓練集里房屋價格我們把它送給
我們的學習演算法，學習演算法的作業了，然后輸出一個函式，通常表示為小寫 ?表示，? 代表
hypothesis(假設)，?表示一個函式，輸入是房屋尺寸大小，就像你朋友想出售的房屋，因此 ? 根據輸
入的 𝑥值來得出 𝑦 值，𝑦 值對應房子的價格 因此，? 是一個從𝑥 到 𝑦 的函式映射，
我將選擇最初的使用規則?代表 hypothesis，因而，要解決房價預測問題，我們實際上是要將訓練集
“喂”給我們的學習演算法，進而學習得到一個假設?，然后將我們要預測的房屋的尺寸作為輸入變數輸入
給?，預測出該房屋的交易價格作為輸出變數輸出為結果，那么，對于我們的房價預測問題，我們該如
何表達 ?？
一種可能的表達方式為：?𝜃(𝑥) = 𝜃0 + 𝜃1𝑥，因為只含有一個特征/輸入變數，因此這樣的問
題叫作單變數線性回歸問題，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/292296.html
標籤：AI
上一篇：基于SSM框架的網上訂餐系統
下一篇：[TensorFlow]Embedding Layer 和 GlobalAveragePooling1d Layer原理及作用