2026年全新优化版李宏毅机器学习课程笔记

bilibili

课程链接：2026年全新优化版李宏毅机器学习系统课程

1、经典案例

预测宝可梦combat power（CP）值，进化比较强的宝可梦

step1：Model

老师举了一个线性模型的例子，xi是特征，wi是权重，b是偏置

step2：Goodness of Function

收集了10只宝可梦的数据，横轴表示原始CP值，纵轴表示进化后的CP值，n表示样本数量即10个

经过一系列函数f的作用下，我们引入Loss函数，来判断模型好坏，具体操作如下：

设定线性模型

训练数据经过一系列函数

得到Loss函数

接下来，绘制10个样本经过训练得到Loss函数，❌是最小值，在深度学习中，我们要找到最优的损失，即真实值与预测值的偏差为0，即loss为0，那我们就需要找到对应minLoss对应的w和b，也为接下来引入梯度下降埋入伏笔

其loss函数热力图如下：

Step3：梯度下降 Gradient desent

损失函数只有w一个参数，先随机找一个初始点w0，计算该点的斜率，结合学习率进行更新w权重，可以想象一个人想下山，在该点出左看右看，发现哪里是下山的路，反复迭代后，可能会出现如下图的情况，陷入局部最优点。

出现两个参数w、b时，对这两个进行偏微分，如下图

整体的操作还是先随机选w和b的初始点，不断的更新，就能找到相对较小的loss函数

损失函数以及其梯度下降的可视化（visualize），箭头的方向都等高线出的切线方向，在线性模型中，我们的loss函数是凹函数，没有局部最优，无论从哪出发都能找到最优。

L（w，b）的偏微分公式如下，y^是预测值

如图，线性模型在测试集上表现不好，泛化能力不行，假如测试集就死红点位置，红点离直线距离较远，说明我们的模型效果不好，需要重新选择模型

选择另外的模型，引入二次项，如图，但我们如果接着引入x三次方、x的四次方……，模型越来越复杂，在测试集表现越来越好，但测试集表现越来越差，模型出现过拟合问题，同时，我们在选择模型时，要选择在测试集表现最好的模型

上面我们只考虑了CP值，没有考虑物种

重新设计模型，每一个物种都有自己的线性模型，通过这种0-1的算法让每一个物种都有自己的线性模型，

我们最在意的还是能不能在测试集上看到新的宝可梦，我们还想让model在Testing 表现更好，还有其他hidden factor吗？

Back to step 1 重新设计模型

考虑了种类、CP、高度h、重量w四个参数，但是出现过拟合，后面使用正则化，调合适的

总结：进化后的CP值跟初始cp值、物种有很大关系，应该还有其他hidden factor是我们没有发现的，掌握梯度下降、过拟合、正则化这些知识点。最终，我们认为现在的model如果上线到网络中，error将会比测试集上表现还要大