基本步驟

①首先準備好數據集（DataSet）

②模型的選擇或者設計（Model）

③進行訓練（Train）大部分模型都需要訓練，有些不需要。這一步后我們會確定不同特征的權重

④推理（inferring）

1，2，3hours會有一個結果2，4，6points。這個就是訓練過程，把x和y都給模型，讓他自己學。5hours這個沒有一個對應的y，這個就是我們的預測過程（相當于上面的題目學完了后，現在寫這個題，看能不能寫對）。

對應的就是下圖，表格中的就是DataSet，給機器學習后，傳入4hours（Input）最后得到一個預測結果Output。

數據集DataSet

當然，其實在訓練表中這個4hours其實可以為testSet測試集。在訓練過程中這個對應的y看不見（引用我一位師兄的話，這個其實就是小測驗，最后需要我們預測的那個過程才是期末考試）。因為不能訓練完就直接用，因為這個太不夠準確，需要test進行測試。

所以我們通常在訓練的過程中，通常不會把我們所有的DataSet全部設置為訓練集，還有一部分設測試集。

接下來有一個很大的問題就是數據集，如果我們給定的數據集很片面，不夠完全，我們可能在訓練后出現過擬合的現象（只認識這些訓練的內容），我們希望最終可以有一個比較泛化的能力，在遇到沒見過的圖也可以識別我們學習的內容（也就是我們學習時常說的掌握方法，舉一反三）。

設計模型（Design Model）

什么是一個比較好的模型？

先用線性模型先試試，因為這個比較基本且簡單。如果效果不好再換其他模型。對于我們上面表格中的幾個數據，我們看出，其實比較符合線性的規則。

上面這條線是我們真實值的線。

?由于我們給的數據比較簡單，但是現實是很少會出現這樣的情況的。所以通常來說會線隨機預測一個w（權重weight），然后通過在1，2，3hours對應的points與真實值進行對比，evaluate Model Error 。我們就把這個評估模型稱為損失loss。

如果我們現在假設這個w為3，按照我們loss的公式。? 分別計算出loss值，最后測得平均的loss值。

當然你也可以假設不同的w，看看哪一種的loss最小。

這個是兩個可能會使用的公式。

通過計算得到這樣的結果，當然通常很難算出0這個值，所以在找w的時候可以使用窮舉法。也就是如下圖，把在0-4之間的每個值都算一下，找到最小的loss。

但是我們無法在實數域中把所有的值都找出來，所以實現上圖采用的代碼如下。?

import numpy as np
import matplotlib.pyplot as pltx_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]def forword(x):return x*wdef loss(x,y):y_pred = forword(x)return (y_pred-y)*(y_pred-y)w_list = []
mse_lis = []for w in np.arange(0.0,4.0,0.1):print('w',w)l_sum = 0for x_val,y_val in zip(x_data,y_data):y_pred_val = forword(x_val)loss_val = loss(x_val,y_val)l_sum+=loss_valprint('\t',x_val,y_val,y_pred_val,loss_val)print('MSE=',l_sum/3)w_list.append(w)mse_lis.append(l_sum/3)

運行結果為：

?畫圖：

plt.plot(w_list,mse_lis)
plt.ylabel('Lose')
plt.xlabel('W')
plt.show

?

但是這里需要提一下，通常我們的橫坐標不是w，我們訓練通常讓橫坐標為epoch（訓練幾輪）

下面這張圖是昨天剛訓練完的一個結果，注意在訓練過程中一定要注意存盤，因為往往訓練時間很長，如果出錯就要重新訓練，所以我們要記住定時存盤。還有要注意可視化問題，希望在訓練過程中得到的結果可視化出來，讓我們更好去判斷結果。