1. Regression：（回归）
概念：
回归（regression）模型的输出值是一个数。例如：股票预测，股票预测，PM2.5预测，自动驾驶中方向盘角度的预测，可能购买商品，宝可梦进化后的CP值预测。
特性：
在一定范围内，增加模型复杂度，可以提升模型性能，但是超出该范围就会出现过拟合。用正则化的方式，可以 降低过拟合出现的可能。
2.实例化讲解回归：
目的：
找到一个function
输入：
宝可梦进化前的一些属性值:种类，体重、CP值等
输出：
进化后的 CP值
Step1:Model：先设个模型
2.1 Liner model（线性模型 ）
线性模型，即函数是线性的,长这样：
x：输入，也就是其特征（features）
w：权值（weights）
b：偏置（bias）
不同的w和b对用不同的模型
Step2：Goodness of Function：衡量模型
有了Traing data 之后就可以知道一个Function的好坏。
实验给了十组数据
2.2 Loss function（损失函数）
损失函数是函数的函数，用于衡量参数的好坏,长这样：
input：a function
output:how bad it is ：Estimate error：越大越不好哦
本质：预测输出与正确答案差值的平方和
0.5：抵消求导后出现的2
Step 3 ：Best Function:挑选最好的modle
目标：得到最小化Loss Function,知道哪一个W 让Lose最小
方法：梯度下降Gradient Descent
条件：Loss可微分
随机选取W，计算W对L的微分（切线斜率），如果在w0处的梯度（一维的时候也是切线斜率）为负，则表示增大w可以降低Loss，如果梯度为正，则表示减小w可以降低Loss，
红色的n是学习率：learning rate
local minimal（局部最小值）
在用梯度下降最小化损失函数的时候，就有可能会落入局部最小值点，由于那里梯度为零，参数会卡在那里，需要用一些特殊方法才能跳出。不过，线性回归的损失函数不存在局部最小值，因此用梯度下降找到的就是全局最小值。
设计了五种复杂程度的model,发现，虽然Training data 的loss越来越低，Test的由低到高，直至爆炸，这就叫 Overfitting
3. over fiting（过拟合）
可能原因：参数过多或者是数据过少，模型太过复杂，训练集太小
专业术语就是泛化（generalization）能力不行
解决办法：正则化（regularization），失活（dropout）
3.1 L2 regularization（正则化）：bias不参与正则化，因为它不影响函数的平滑度
目标：惩罚w，
方法：在Loss function 里加入正则项
考虑误差也考虑w，在减少误差的同时也让w减到很小。有较小的w的函数是比较平滑的，对于输入的变化不那么敏感。选择合适的λ，可以提升模型的泛化能力。