Regression
1、首先，什么是regression（回归）
2、然后，实现回归的步骤（机器学习的步骤）
step1、model（确定一个模型）——线性模型
step2、goodness of function（确定评价函数）——损失函数
step3、best function（找出最好的一个函数）——梯度下降法
3、进一步，如何做得更好（优化step1）
方法1、select another model（选择另一个模型）
方法2、consider the hidden factors（考虑其他隐藏因素）
4、再进一步，防止过拟合（优化step2）
方法：正则化
5、最后，总结
1、首先，什么是regression（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 。
- 股市预测（Stock market forecast）
输入：过去10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
- 自动驾驶（Self-driving Car）
输入：无人车上的各个sensor的数据，例如路况、测出的车距等
输出：方向盘的角度
- 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B的可能性
2、然后，实现回归的步骤（机器学习的步骤）
举个栗子：我们要预测Pokemon精灵攻击力。
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
step1、model（确定一个模型）——线性模型
先从简单的单个特征（Xcp）开始（后面改进再考虑多个特征）。
step2、goodness of function（确定评价函数）——损失函数
1、确定好model以后，就开始训练数据
以此类推，训练10个数据：
2、确定损失函数
有了这些真实的数据，那我们怎么衡量模型的好坏呢？从数学的角度来讲，我们使用距离。求实际进化后的CP值与模型预测的CP值差，来判定模型的好坏。
也就是使用 损失函数（Loss function） 来衡量模型的好坏，和越小模型越好。如下图所示：
step3、best function（找出最好的一个函数）——梯度下降法
1、找到一个best function（说白了是找最佳的参数），也就是使损失函数最小时候的参数
2、用梯度下降法，求最佳参数
1）梯度是什么？梯度下降又是什么？
梯度：
- 在单变量的函数中，梯度其实就是函数的微分，代表着函数在某个给定点的切线的斜率
- 在多变量函数中，梯度是一个向量，向量有方向，梯度的方向就指出了函数在给定点的上升最快的方向
梯度下降：“下山最快路径”的一种算法
2）先考虑简单的一个参数w
首先在这里引入一个概念 学习率 ：移动的步长，如图7中 η （eta）
步骤1：随机选取一个 w0 。
步骤2：计算微分，也就是当前的斜率，根据斜率来判定移动的方向。
大于0向右移动（增加w）
小于0向左移动（减少w）
步骤3：根据学习率移动。
重复步骤2和步骤3，直到找到最低点。
3）再考虑两个参数（w、b）
3、梯度下降法的效果
颜色约深的区域代表的损失函数越小
4、梯度下降的缺点
总结一下梯度下降法：我们要解决使L(x)最小时参数的最佳值，梯度下降法是每次update参数值，直到损失函数最小。
但是梯度下降法会出现问题呢？
step4、回归结果分析
经过上述三个步骤后，我们就得到了训练后的“最佳参数w，b”，那么它在测试集的performance怎么样呢？下面一起来看看吧
如何优化呢？继续看吧
3、进一步，如何做得更好（优化step1欠拟合）
方法1、select another model（选择另一个模型）
1、model改用不同函数的performance：
2、如何选择model呢
超过三次函数以上的model都出现了过拟合问题，因此要找到一个suitable model（这里是第三个）
方法2、consider the hidden factors（考虑其他隐藏因素）
1、再考虑另外一个因素（精灵的种类）
performance：
2、把更多的因素都考虑
考虑更多的因素反而出现了过拟合的问题，说明有些因素跟本次实验的CP值预测没有关系！
过拟合这么讨厌，到底如何减少过拟合问题呢？往下看！
4、再进一步，防止过拟合（优化step2）
方法：正则化
1、比如先考虑一个参数w，正则化就是在损失函数上加上一个与w（斜率）相关的值，那么要是loss function越小的话，w也会越小，w越小就使function更加平滑（function没那么大跳跃）
2、正则化的缺点
正则化虽然能够减少过拟合的现象，但是因为加在损失函数后面的值是平白无故加上去的，所以正则化过度的话会导致bias偏差增大
5、最后，总结
