---

是什么的问题

1. 回归分析（Regression Analysis） 是研究自变量与因变量之间数量变化关系的一种分析方法，它主要是通过因变量Y与影响它的自变量$X_i（i1,2,3\dots ）$之间的回归模型，衡量自变量$X_i$对因变量Y的影响能力的，进而可以用来预测因变量Y的发展趋势。

2. 损失函数（Cost Function/Lost Function） 用于估计模型的预测值和真实值之间的不一致程度，损失函数越小代表模型预测结果与真实值越相近。

定义线性回归的损失函数，可采用最小二乘法，通过最小化误差的平方和寻找数据的最佳函数匹配。
单个样本（example）的误差函数：

总体n的误差函数：
线性回归模型的函数：$$\hat{y}=w_1{x}_1+w_2{x}_2+...+w_d{x}_d+b=W^{T}X+b$$

在训练模型时，我们希望寻找⼀组参数（w∗, b∗），这组参数能最⼩化在所有训练样本上的总损失。

3. 如何找到最优的w，b来优化我们的模型？

用数学的方法就是把w，b看成未知变量，分别对其求偏导。

$$L(w,b)=\sum _{i=1}^n(W^{T}X+bi-y_i{)}^2$$
因为我们求L最小时，w和b的值，去掉前面的非0正系数不影响。
求参数w：
求参数b：同上

---

案例说明

问题：预测宝可梦升级后的cp值
Step1： model （设计网络模型）define a set of function

b是bias(偏置)，$w_i$是weight(权重)，$X_{cp}$是我们输入的cp值
线性模型: $y=b+w_1{x}_1+w_2{x}_2+...+w_i{x}_i$
b和w的值是有很多个的，所以有a set of function，需要通过这个train data去找到这个最合适的function。

step 2: Goodness of function（函数的好坏）
通过第一另外一个function：Loss来判断上面的function的好坏

Loss function 是去衡量y的好坏，去判断我们找到的w，b的好坏

step 3: Best Funciton(Gradient Descent)
很显然，就是求L分别对w，b的偏导，通过梯度下降的方式来找到最小的L。
单个参数的考虑：
通过不断更新，使得L最小，会到达一个局部最优（local optimal），斜率为0或接近于0，这个时候就无法再更新w了，所以是不能找到全局最优（global optimal）。

俩个参数的考虑：

最后，通过上面的10个宝可梦的数据，得到参数b，w，然后进行测试：

怎样获得更好的结果呢？怎样让预测更加准确呢?
其实就是需要改变模型：（这里改成二次式）

多项式回归(Polynomial Regression), 多项式回归与线性回归的概念相同，只是它使用的是曲线而不是直线(线性回归使用的是直线)。多项式回归学习更多的参数来绘制非线性回归曲线。对于不能用直线概括的数据，它是有益的。多项式回归是将自变量x与因变量y之间的关系建模为n次多项式的一种线性回归形式。多项式回归拟合了x值与y相应条件均值之间的非线性关系，记为E(y |x)。

或者说还想更好，那么可以尝试从二次转化为三次

四次：
从这里开始，虽然换成了更复杂的Mode。但是测试的结果，average error变大了，results become worse…

五次：
综上：
模型model越复杂，包含的train data越多，在训练集上的误差越小。

但是更加复杂的模型不一定能在测试数据中带来更好的表现。会出现【过拟合】，所以，我们要选择一个最适合我们的model而不是最复杂的model。因为，可能会导致过拟合。上图中最好的model是三次式的。

当增加更多的宝可梦数据时，会发现不仅仅只有一个cp值的影响，还有物种的影响，所以需要重新设计我们的model

重新设计的model，增加了物种因素：
结果：
上分类后得到的linear model，结果明显比原来的没有分类的好太多了。尝试增加更多因素，修改model：（量，高度，HP值）
重新设计的model：
最终结果训练误差小了很多，但是测试误差太大了，过拟合了。遇到这个情况需要引出一个新的概念：正则化（Regularization）

Back to step 2: Regularization(正则化) 正则化就是说给需要训练的目标函数加上一些规则（限制），让我们的函数尽量平缓，别过于膨胀，我们在梯度函数中加上$weigh{t}^2$这一项，这样就可以很好控制weight的大小。

重新训练的结果：
当λ=100时，达到这个模型的最佳测试Loss

---