October 2020
Intermediate to advanced
693 pages
16h 26m
Chinese
Content preview from 机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
Start your free trial
训练模型
｜
109
本章将会出现不少数学公式，需要用到线性代数和微积分的一些基本概念。
要理解这些方程式，你需要知道什么是向量和矩阵，如何转置向量和矩阵，
什么是点积、逆矩阵、偏导数。如果你不熟悉这些概念，请先通过在线补
充材料中的 Jupyter notebook，进行线性代数和微积分的入门学习。对于极
度讨厌数学的读者，还是需要学习这一章，但是可以跳过那些数学公式，
希望文字足以让你了解大多数的概念。
4.1 线性回归
在第 1 章中，我们学过一个简单的生活满意度的回归模型：
life_satisfaction
=
θ
0
+
θ
1
×
GDP_per_capita
。
这个模型就是输入特征 GDP_per_capita 的线性函数，
θ
0
和
θ
1
是模型的参数。
更为概括地说，线性模型就是对输入特征加权求和，再加上一个我们称为偏置项（也称
为截距项）的常数，以此进行预测，如公式 4-1 所示。
公式 4-1：线性回归模型预测
y xx x
ˆ
=+ + ++
θθ θ θ
0 11 2 2
nn
在此等式中：
•
y
ˆ
是预测值。
•
n
是特征数量。
•
x
i
是第
i
个特征值。
•
θ
j
是第
j
个模型参数（包括偏差项
θ
0
和特征权重
θ
1
，
θ
2
，…，
θ
n
）。
可以使用向量化的形式更简洁地表示，如公式 4-2 所示。
公式 4-2：线性回归模型预测（向量化形式）
yh
ˆ
= = ⋅
θ
()xx
θ
在此等式中：
•
θ
是模型的参数向量，其中包含偏差项
θ
0
和特征权重
θ
1
至
θ
n
。
•
x
是实例的特征向量，包含从
x
0
到
x
n
，
x
0
始终等于 1。
•
θ · x