外贸网站排名,ui界面设计案例,微信网页版app,桂林做网站多少钱人们早就知晓#xff0c;相比凉爽的天气#xff0c;蟋蟀在较为炎热的天气里鸣叫更为频繁。数十年来#xff0c;专业和业余昆虫学者已将每分钟的鸣叫声和温度方面的数据编入目录。Ruth 阿姨将她喜爱的蟋蟀数据库作为生日礼物送给您#xff0c;并邀请您自己利用该数据库训练一…人们早就知晓相比凉爽的天气蟋蟀在较为炎热的天气里鸣叫更为频繁。数十年来专业和业余昆虫学者已将每分钟的鸣叫声和温度方面的数据编入目录。Ruth 阿姨将她喜爱的蟋蟀数据库作为生日礼物送给您并邀请您自己利用该数据库训练一个模型从而预测鸣叫声与温度的关系。
首先建议您将数据绘制成图表了解下数据的分布情况 图 1. 每分钟的鸣叫声与温度摄氏度的关系
毫无疑问此曲线图表明温度随着鸣叫声次数的增加而上升。鸣叫声与温度之间的关系是线性关系吗是的您可以绘制一条直线来近似地表示这种关系如下所示 图 2. 线性关系
事实上虽然该直线并未精确无误地经过每个点但针对我们拥有的数据清楚地显示了鸣叫声与温度之间的关系。只需运用一点代数知识您就可以将这种关系写下来如下所示 其中
y 指的是温度以摄氏度表示即我们试图预测的值。m 指的是直线的斜率。x 指的是每分钟的鸣叫声次数即输入特征的值。b 指的是 y 轴截距。
按照机器学习的惯例您需要写一个存在细微差别的模型方程式 其中
y′ 指的是预测标签理想输出值。b 指的是偏差y 轴截距。而在一些机器学习文档中它称为 w0。w1 指的是特征 1 的权重。权重与上文中用 m 表示的“斜率”的概念相同。x1 指的是特征已知输入项。
要根据新的每分钟的鸣叫声值 x1 推断预测温度 y′只需将 x1 值代入此模型即可。
下标例如 w1 和 x1预示着可以用多个特征来表示更复杂的模型。例如具有三个特征的模型可以采用以下方程式
