3.1.1 线性回归的基本要素
1. 模型定义
2. 模型训练
- a 训练数据
- b 损失函数
3. 模型预测
3.1.1.1 模型定义
我们搭建一个模型，用来预测房屋的出售价格，决定其价格的两个因素为房屋的面积 和 房龄，据此可以建立输入输出的线性关系，w1 w2 为权重 b是偏差
3.1.1.2模型训练
a 训练数据
首先我们需要收集数据，即房屋面积与房龄 和对应的出售价格，将该数据成为训练集
b 损失函数
损失函数是用来衡量预测值与真实值之间的偏差，而我们希望这个偏差值最小，即得到我们想要的那个模型。通常会选用平方函数：
这里的1/2是为了求导后系数为1，形式简单
c 优化算法
解析解 误差最小化问题的解可以直接用公式表达出来 如线性回归和平方误差
数值解 只能通过优化算法有限次迭代模型参数来降低损失函数的值
小批量随机梯度下降：
3.1.1.3 模型预测
预测结果是权重和偏差值得确定，之后就可以用该公式去预测房屋价格了
3.1.2 线性回归的表示方法
一个简单的神经网络图，包括一个输入层x1和x2，和一个输出层o。因为输入层不进行计算，所以线性回归是一个单层神经网络
全连接层（稠密层） 输出层中的神经元和输入层各个输入完全连接（即o的计算完全依赖于x1 x2）
- 向量直接相加更加高效
- 线性加法运算中用到广播