人工智能学习过程中，遇到的常见问题锦集（一）

• 表格类数据做曲线拟合时，假设函数是如何确定的？

【问题如下】

像房价预测这样的表格类数据回归问题，我们当时的假设：“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。”结果证明，效果还不错。然后，你好，我好，大家都好！

那么问题来了：

1、你是如何提前知道他们是线性关系的？

2、进一步说，在做曲线拟合时，假设函数是如何确定的？

【参考思路】

下面，我先抛砖，欢迎大家拍砖：

首先，没有办法能直接得出曲线是什么样的，试想如果能的话，我们还需要机器学习吗？直接用基于规则的算法，岂不是更高效？

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

一般做法：

1、先做数据的归一化，统一量纲，让所有特征在进行训练前“人人平等”；

2、如果可以的话，可以用一些降维算法（比如PCA，t-SNE）来把特征降到2维，这样就可以利用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；

3、进一步说，可以简单粗暴直接上，先用线性回归来尝试，看效果；如果不行，那就再试二次方回归；还不行，就再试三次方回归 ... 大家还记得泰勒级数或是泰勒公式吧？他老人家已经证明了，只要阶数够高，不管你多复杂，我都可以拟合个差不多...

4、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，你应该会非常感谢那些开源框架的作者们，让我们可以轻而易举的验证我们的想法 ...

实践证明：线性回归这种既简单又高效的算法，是最常用的，很多实际问题都可以搞定，所以，从线性回归开始尝试，没毛病 ...

欢迎拍砖！！！

如果喜欢我的文章欢迎一起探讨：