回归模型应用案例（Regression Cases）
股票市场预测（Stock Market Forecast）
预测某个公司明天的股票情况
自动驾驶车（Self-Driving Car）
预测方向盘转动角度
推荐系统（Recommendation）
预测某用户购买某商品的可能性
线性回归模型（Linear Regression Model）如\(y=f(x)=w\cdot x+b\)
\(y\)是输出；
\(\hat y\)是真实值/标签（label）
\(w\)是权重（weight）；
\(b\)是偏置（bias）；
\(x\)是输入（input），也可叫做特征（feature）
数据集中一般包含多个object，每个object一般包含多个component。此时，上标是object的索引，下标是component的索引。
损失函数（Loss Function）
如果不考虑模型的好坏，衡量一个函数的好坏，其实是衡量模型参数的好坏。
以线性模型为例，就是衡量参数\(w\)和\(b\)的好坏。如\(L(f)=L(w,b)=\sum_{n=1}^{10}(\hat y-(b+w\cdot x^n))^2\)，把所有样本误差的平方和作为损失函数
输入
一个函数
输出
多么地不好（how bad it is）。损失函数值越大，则这个函数越差、与数据集中内容越不相符。
梯度下降（Gradient Descent）梯度下降可以优化损失函数的值，使其尽量小，即可找到最好（在数据集上拟合效果最好）的模型参数。
现在假设模型\(f\)中只有一个参数\(w\)，则损失函数为\(L(f)=L(w)\)，梯度下降算法如下（若模型有多个参数，按相同方法更新各参数）
初始化参数
随机选取一个\(w^0\)（\(w^0\)并不一定是随机选取），令\(w=w^0\)。
计算梯度
\(\frac{dL(f)}{dw}|_{w=w^0}\)
如果小于0，此时\(w\)增大则\(L(f)\)会减小；如果大于0，此时\(w\)减小则\(L(w)\)会减小。
如果模型有多个参数，则计算损失函数在各个参数方向上的偏导数。
更新模型参数
\(w^1=w^0-lr\frac{dL(f)}{dw}|_{w=w^0}\)
\(w\)的变化量取决于梯度和学习率（Learning Rate）的大小：梯度绝对值或学习率越大，则\(w\)变化量越大。
如果模型有多个参数，则用上一步计算出的偏导数对应更新各参数。
重复第2步和第3步
经过多次参数更新/迭代（iteration），可以使损失函数的值达到局部最小（即局部最优，Local Optimal），但不一定是全局最优。
Github（github.com）：@chouxianyu
Github Pages（github.io）：@臭咸鱼
知乎（zhihu.com）：@臭咸鱼
博客园（cnblogs.com）：@臭咸鱼
B站（bilibili.com）：@绝版臭咸鱼
微信公众号：@臭咸鱼的快乐生活