人工智能学习过程当中，遇到的常见问题锦集（一）

• 表格类数据作曲线拟合时，假设函数是如何肯定的？

【问题以下】

像房价预测这样的表格类数据回归问题，咱们当时的假设：“函数是线性的，也就是13个特征和房价之间的关系是一次方关系。”结果证实，效果还不错。而后，你好，我好，你们都好！

那么问题来了：

一、你是如何提早知道他们是线性关系的？

二、进一步说，在作曲线拟合时，假设函数是如何肯定的？

【参考思路】

下面，我先抛砖，欢迎你们拍砖：

首先，没有办法能直接得出曲线是什么样的，试想若是能的话，咱们还须要机器学习吗？直接用基于规则的算法，岂不是更高效？

其次，在实际工做中，每每是靠合理的“猜”来进行不断的尝试，最后达到一个效率和准确率的折中。

通常作法：

一、先作数据的归一化，统一量纲，让全部特征在进行训练前“人人平等”；

二、若是能够的话，能够用一些降维算法（好比PCA，t-SNE）来把特征降到2维，这样就能够利用Matplotlib等可视化工具来画一个三维图像，协助判断一下曲线的走势；

三、进一步说，能够简单粗暴直接上，先用线性回归来尝试，看效果；若是不行，那就再试二次方回归；还不行，就再试三次方回归 ... 你们还记得泰勒级数或是泰勒公式吧？他老人家已经证实了，只要阶数够高，无论你多复杂，我均可以拟合个差很少...

四、整个过程看上去很复杂，其实sklearn的多项式回归，很简单，几行代码就搞定。这个时候，你应该会很是感谢那些开源框架的做者们，让咱们能够垂手可得的验证咱们的想法 ...

实践证实：线性回归这种既简单又高效的算法，是最经常使用的，不少实际问题均可以搞定，因此，从线性回归开始尝试，没毛病 ...

欢迎拍砖！！！

若是喜欢个人文章欢迎一块儿探讨：