人工智能技術(shù)與應(yīng)用1.3使用簡單線性回歸預(yù)測廣告投入的收入-模型訓(xùn)練課程概況—基本情況PART01模型訓(xùn)練開發(fā)流程處理流程-線性回歸線性回歸模型：簡單線性回歸也稱為一元線性回歸，也就是回歸模型中只含一個自變量，否則稱為多重線性回歸。簡單線性回歸模型為：y=a*x+b有時候也可這樣表述y=weight*x+bias，其中weight-權(quán)重，bias-偏置值。我們需要根據(jù)給定的y-企業(yè)的收入和x-企業(yè)的廣告收入，去預(yù)測w和b，最終得到一個一元線性方程，通過這個方程，可以預(yù)測出企業(yè)投入的廣告資金大概可以獲得多大的收益，

處理流程-lossfunction損失函數(shù)：目標函數(shù)是整個模型優(yōu)化學(xué)習(xí)的核心導(dǎo)向，需要最小化目標函數(shù)時，目標函數(shù)也被稱為損失函數(shù)或代價函數(shù)。最常用的兩個損失函數(shù)MSE與交叉熵就是分別用于回歸與分類任務(wù)。處理流程-lossfunction損失函數(shù)：這里使用的MES均方差函數(shù)MSE求導(dǎo)后計算量不大，最為常用，代碼實現(xiàn)簡單，甚至不需要調(diào)接口。處理流程-lossfunction損失函數(shù)：可以自己先設(shè)置一個weight和bais，計算得到一個loss繪制當(dāng)前weight和bais的圖形處理流程-梯度下降

處理流程-梯度下降梯度下降：首先來看看梯度下降的一個直觀的解釋。比如我們在一座大山上的某處位置，由于我們不知道怎么下山，于是決定走一步算一步，也就是在每走到一個位置的時候，求解當(dāng)前位置的梯度，沿著梯度的負方向，也就是當(dāng)前最陡峭的位置向下走一步，然后繼續(xù)求解當(dāng)前位置梯度，向這一步所在位置沿著最陡峭最易下山的位置走一步。這樣一步步的走下去，一直走到覺得我們已經(jīng)到了山腳。當(dāng)然這樣走下去，有可能我們不能走到山腳，而是到了某一個局部的山峰低處。處理流程-梯度下降

處理流程-梯度下降梯度下降：定義梯度下降函數(shù)，使用梯度下降函數(shù)來去推導(dǎo)weight和bias值處理流程-訓(xùn)練模型訓(xùn)練模型：模型訓(xùn)練首先給iteration-梯度迭代次數(shù)、alpha-步長、weight-權(quán)重系數(shù)、bias-偏置值三個參數(shù)進行初始化，同時也計算一個初始的損失值。處理流程-訓(xùn)練模型繪制模型圖像：得到weight_history,bias_history后我們可以取出最終得到的weight和bias值繪制最終