人工智能和大数据—第五章线性回归
（1）波士顿房价的数据集属性含义，怎么读入数据，需要做哪些预处理？
（2）线性回归模型是什么？属于有监督还是无监督学习？
（3）假设函数是什么？
（4）损失函数是什么？
（5）（以单属性线性模型为例）为什么使用梯度下降？
（6）梯度下降中的学习率的作用是什么，初始值是多少？
（7）预测结果评价。
一，机器学习基础知识
（一）有监督学习和无监督学习
1. 机器学习（ML）
举例：学生在考试前做了很多的题目，归纳了相同或同类题目的解题方法，正式考试时面对没做过的考题也可以解答。
机器学习的过程与上述类似：用训练数据（已经做过的题），通过机器学习找出规律（解题方法），分析测试数据（正式考题）。
2. 有监督学习
含义：在已有的数据集中知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。也就是说，在监督学习中训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。
以考试为例，监督学习相当于做的题目都有标准答案，通过对照答案归纳出解题的模式，下次在面对没有答案的题目时，也能根据归纳的模式解答。
监督学习包括：回归(Regression）、分类（Classification)。回归问题是针对于连续型变量的。和回归最大的区别在于，分类是针对离散型的，输出的结果是有限的。
最典型的算法是KNN和SVM。
3. 无监督学习
含义：在已有的数据集中不知道数据标签、特征之间的关系，根据给定算法得到数据、特征之间的关系。
无监督学习是在没有数据标签的情况下进行的，由机器学会自己做事情。通俗一点说，就是不贴上具体的特征标签，也能大概分出这一类的特征。
以考试为例，无监督学习不知道题目答案，也不知道自己做得对不对，但是就算不知道答案，还是可以大致地将这些题目是否属于语文、数学、英语等学科分清楚，因为学科内在还是具有一定的联系。
是要根据已知数据X和Y寻找映射关系 f 。
样本（example）：一个feature和对应的label数据构成一条样本（x,y）
数据集 (dataset) ：所有样本一起构成一个数据集
（二），模型是什么
模型是输入和输出之间的关系
1），模型的能力
（1）拟合：描述已有数据之间的映射关系（拟合fit）
（2）预测：对未知数据又预测能力（泛化generalization）
（三），假设函数
描述变量之间的关系
（四），损失函数 （const function) J(
)
用函数来描述预测值和真实值之间的“误差”
最常见的损失函数为均方差 ：预测结果与真实结果差值的平方的均值
（五），目标函数
（六），梯度下降算法
（1）定义：计算机没有解方程的能力，所以采用梯度下降的方法，利用计算机的计算能力，一步一步迭代出极值点，使对应的使得损失函数J()最小
（2）梯度下降方程：
前一个 - 
* 损失函数J()的偏导
偏导：表示为斜率
学习率：超参数，认为设定的
学习率太小：逼近极值点速度慢
学习率太大：无法收敛，甚至发散，J()越来越大
（3）梯度下降优化框架
二，paddlepaddle实战——线性回归预测房价
1，数据预处理
1）为什么要数据处理/为什么进行归一化
（1)数据范围太大容易造成浮点上溢或下溢
（2)数据范围不同会导致不同属性对模型的重要性不同
（3)很多机器学习模型或模型假设中所有属性都差不多是以0为均值且取值范围相近的。
2）怎么进行归一化
（1）对每一组数据进行归一化处理
（2）对处理的数据随机打乱
（3）对处理好的数据随机组合为一个batch,进行处理
组合使用：reader=paddle.batch(paddle.reader.shuffle(uci_housing.train(),buf_size=500),batch_size=2)
2，设计假设函数
假设函数如何在paddle中描述
3，设计损失函数
4，进行训练，观察训练过程
(1) 输入训练函数，用optimizer表示函数
（2）构造SGD trainer随机梯度下降函数
（3）开始训练
5，用模型做预测
（1）生成测试数据
（2）预测inference
三，线性回归优点
1,形式简单，易于建模
2，可以演变成其他复杂的模型
3，可解释性好