机器学习（李宏毅）lecture01学习笔记

input： function.
output：how bad the function is.

$L(w,b)=\sum _{i=1}^n(y_i-(b+w\cdot x_i){)}^2$L(w,b)=i=1∑n​(yi​−(b+w⋅xi​))2
$f^*=argmin_fL(f)$f∗=argminf​L(f)
$w^*,b^*=argmin_{w,b}L(w,b)$w∗,b∗=argminw,b​L(w,b)
$=argmin_{w,b}\sum^n_{i=1}(y_i-(b+w·x_i))^2$=argminw,b​i=1∑n​(yi​−(b+w⋅xi​))2

损失函数只有一个参数$w$w：

$w^0$w0：随机设
$w^1=w^0-{\eta}\frac{dL}{dw}|w=w^0$w1=w0−ηdwdL​∣w=w0
$w^2=w^0-{\eta}\frac{dL}{dw}|w=w^1$w2=w0−ηdwdL​∣w=w1
$...$...
$\eta$η：学习率或步长。

多个参数时，同理分别更新。

Gradient：${\nabla}L=[\frac{{\partial}L}{{\partial}w},\frac{{\partial}L}{{\partial}b},...]^T$∇L=[∂w∂L​,∂b∂L​,...]T

过拟合（overfitting）：在训练时效果很好，但在测试时效果不好。

Regularization：
$L(w,b)=\sum^n_{i=1}(y_i-(b+w·x_i))^2+\lambda\sum(w_i)^2$L(w,b)=i=1∑n​(yi​−(b+w⋅xi​))2+λ∑(wi​)2
当$w_i$wi​越小时，函数比较平滑，比较好，但不能过于平滑。（原因：噪声的影响比较小）b和平滑程度无关。