人工智能學習過程當中，遇到的常見問題錦集（一）

• 表格類數據作曲線擬合時，假設函數是如何肯定的？

【問題以下】

像房價預測這樣的表格類數據迴歸問題，咱們當時的假設：「函數是線性的，也就是13個特徵和房價之間的關係是一次方關係。」結果證實，效果還不錯。而後，你好，我好，你們都好！

那麼問題來了：

一、你是如何提早知道他們是線性關係的？

二、進一步說，在作曲線擬合時，假設函數是如何肯定的？

【參考思路】

下面，我先拋磚，歡迎你們拍磚：

首先，沒有辦法能直接得出曲線是什麼樣的，試想若是能的話，咱們還須要機器學習嗎？直接用基於規則的算法，豈不是更高效？

其次，在實際工做中，每每是靠合理的「猜」來進行不斷的嘗試，最後達到一個效率和準確率的折中。

通常作法：

一、先作數據的歸一化，統一量綱，讓全部特徵在進行訓練前「人人平等」；

二、若是能夠的話，能夠用一些降維算法（好比PCA，t-SNE）來把特徵降到2維，這樣就能夠利用Matplotlib等可視化工具來畫一個三維圖像，協助判斷一下曲線的走勢；

三、進一步說，能夠簡單粗暴直接上，先用線性迴歸來嘗試，看效果；若是不行，那就再試二次方迴歸；還不行，就再試三次方迴歸 ... 你們還記得泰勒級數或是泰勒公式吧？他老人家已經證實了，只要階數夠高，無論你多複雜，我均可以擬合個差很少...

四、整個過程看上去很複雜，其實sklearn的多項式迴歸，很簡單，幾行代碼就搞定。這個時候，你應該會很是感謝那些開源框架的做者們，讓咱們能夠垂手可得的驗證咱們的想法 ...

實踐證實：線性迴歸這種既簡單又高效的算法，是最經常使用的，不少實際問題均可以搞定，因此，從線性迴歸開始嘗試，沒毛病 ...

歡迎拍磚！！！

若是喜歡個人文章歡迎一塊兒探討：