线性回归

线性回归 api

用等高线绘制梯度下降，不会卡，因为不涉及三维绘制

有些无法画图研究损失

不希望训练量大，浪费时间，学习率要合理，迭代次数要少

线性回归搞懂，其他算法举一反三

api 调参侠 和 调包侠

AI 工作者在2019 年为2万

实际问题还是很多的，总要有人调包

scikitlearn 线性回归 api

好用，但是死板

这里的1 是1列，那么元数据自动根据一列，调整行数 -1自适应

评估 模型 误差 与实际可接受误差比较 完全主观业务

不要被别人带跑了，自己够用

形成一条带子，看看落在里面的比例

模型上线 如何存取模型 持久化 从磁盘读取

模型使用：

用户发请求，服务器调用模型

岭回归 api

噪声样本 如何将其忽略

少量噪声无法去除，影响巨大

总体误差被放大了，但是匹配度低了，但是预测好了

还有很多变种，都是进一步考虑了某些要素

多项式回归 api

sklearn 没有多项式回归api

认为 扩展特征太多

两种方程都是只需要一个参数 x 高次项看作一次，但一个特征扩展为多个特征

每个 wi 都有自己要更新的梯度

做一个管线： 用扩展器和回归器

有一个特征不是线性，如何解决

补充一个特征，使得非线性，只不过这个特征与 x3有关 新特征看作平方，则特征扩展后仍然可以看作线性

无非就是又多了一个 w，解决这个w 即可

将x拆分： 使得按顺序画图

x 的维度 n行一列 -1， 1

要看测试集得分

评分挺高，但效果并不好

这是训练集的得分，看到0。8 也不能认为准

次数太高

最高项次数，以测试集为准

无论什么业务都要遵守这个

简化模型