目录
Rosemblatt探测器
应该怎么评价误差？
概率和统计
回归分析
最小二乘法
成本函数
如何移动到最低点
正规方程
Rosemblatt探测器
应该怎么评价误差？ 第一，通过差别来评价误差事实上是不合理的。 例如，如下
机智：考虑用绝对差来评价绝对值，但实际上绝对值是代码无法处理的
平方误差：平方误差越小，偏离的事实越小，说明mydc的思维越接近真实
绘制w与平方误差的关系，得到孔径向上的一次二次方程
证书：
研究一组豆太复杂了，所以先研究豆的误差：
我先研究了豆子误差和w的关系确实是一次二次函数，如果是豆子集的误差会怎么样呢？
整个豆粒的误差是指将各个豆粒的误差相加求出平均值。 通过组织表达式，可以看到误差e和w之间的关系仍然是标准孔径向上的一次二次函数。 (a、b、c都是一定的值)注意)下面的公式是均方误差。 累积所有误差值求平均值，实际上是在预测函数的整体样本中误差之前所说的各个波束的特例。 )只有一个样品，m=
概率和统计数据可以帮助我们了解装满水银的硬币正面朝上和背面朝上的概率。 事情出现的频率收敛到那个的概率
回归分析(同样，我们设计mydc大脑的时候，其实也在扔不确定硬币。 首先预想w，统计大量的数据(大小和毒性)，评价w是否合适，其实是数学统计的重要分支——回归分析
最小二乘法最小二乘法：我们评估的标准是“均方误差”，试图使他最小。 也就是回归分析的最小二乘法
成本函数成本函数：现在把函数当作处理问题的机器，从原机器输入数据后，结果就会用很多观察数据来评价这台函数机器是否从原自变量x和因变量y变成了从环境中观测到的大量已知数，以w为自变量，误差为变量y 该“成本函数”表示参数w取不同的值时，对环境中的问题数据进行预测时产生的不同误差。 利用此“成本函数”最低点的w值，将其返回到预测函数后，预测函数也能很好地拟合数据。
因此，请始终记住，预测函数将w作为参数输入，x作为参数输入，y作为原因变量输出。 因为这是我们最终得到预测函数问题的函数，所以在研究函数时，x和y是通过观测统计的已知数，成为成本函数的已知参数部分，w是自变量，误差成本e是因变量，用于分析和改进预测函数的辅助函数
怎么偏移到最低点，首先把w设定为0.1？ 距离到合适的最低点，到底机器是怎么把w移动到最低点的呢？
正规方程
但是这样可以吗？ 如果数据量很少，这很合适。 但是机器学习都要处理大量的数据，所以这里要记帐。 如果样本为100万个数据，并且每个数据都用单精度浮点数表示，则这里的分母部分的x需要进行100万次加法和乘法运算。 在实际应用中，输入x往往不是特征性的数值，更一般地说，如果是一个特征向量，例如1000维，则运算次数为10亿次，但现代神经网络普遍采用它来提高运算速度。