今日的課程來自於: https://youtu.be/CXgbekl66jc
參考筆記:https://github.com/Sakura-gh/ML-notes/blob/master/1_Introduction.md這堂課老師用現有數據預測寶可夢的進化後CP值
Scenario: 根據已有的 data 來確定 scenario，我們的 data是 labeled，使用Supervised Learning
Task: 根據我們想要 function 的輸出類型決定 task ，我們預期得到是寶可夢進化後的 cp值，是一個 scalar ，因此使用的是 Regression
Model: 模型的選擇很多，這邊使用 Linear model
Table of Contents
回顧一下machine learning 的三個步驟
- define a set of function
定義一個function set (A set of function=Model) - goodness of function
讓machine可以衡量這個function 好不好 - pick the best function
有一個好的演算法可以挑出最好的function
machine learning 的三個步驟
Step1: Model (function set )
如何挑選一個function 的模型呢? 基本上沒有明確的思路，只能憑經驗嘗試，而這邊使用linear model 。
Linear Model 線性模型
y 代表進化後的cp 值，Xcp 為進化前的cp值，w和b代表未知的參數。
y=b+w * Xcp 這個抽象的是式子就叫做model，是以上這些具體化的function 的集合，即function set 。
實際上這是一種 Linear Model ，但只考慮了寶可夢進化前的cp值，因而我們可以將其擴展為:
Xi: an attribute of input X (Xi is also called feature ，即特徵值)
Wi: weight of xi
b: bias
Step2: Goodness of Function
參數說明:
x^i: 用上標表示一個完整的object的編號，i表示第i隻可夢(下標表示該object中的component)
y^i: 用 y 表示一個實際觀察到object輸出，上標 i 表示第 i 個 object
(因為打字的關係無法表示清楚，可以參考筆記)
Loss function 損失函數
Loss function 是 一個評估函數，就是一個function 的function，Loss function 實際上就是在衡量一組參數的好壞。
前面的model是自主挑選的，這裡的loss function 也是，最常用的方法就是採用方差和的形式來衡量model的好壞。
input : a function
output: how bad/good it is
如果 L(f) 越大，說明該function表現得越不好；L(f)越小，說明該function 表現得越好。
Loss function 可視化
下圖是loss function 的可視化，圖中每一個點都代表一組(w,b)，也就是對應著一個function；而該點的顏色對應著loss function的結果 L(w,b)，顏色越紅表示loss function的值越大，表現的效果越不好 ; 越藍表示loss function 的值越大，表現的效果越好。
Step3: Pick the Best Function
我们已經確定了loss function，他可以衡量我們的model裡面每一個function的好壞，接下来我们要做的事情就是，從這個function set裡面，挑選一個最好的function
將 formulation/equation 寫下的樣子如下：
也就是那個使L(f)=L(w,b)=Loss 最小的 f 或(w,b)，就是我們要找的f * 或(w*,b*)
利用線性代數的知識，可以解得這個 closed-form solution，但這裡採用的是一種更為普遍的方法 — — gradient descent(梯度下降法)
Gradient Descent 梯度下降
上面的例子比較簡單，用線性代數的方法可以解；而gradient descent 的方法應用更廣，只要 L(f) 是可微分的，gradient descent 都可以拿來處理這個 f ，找到表現最好的parameters 。
- 單個參數的問題
假設現在的Loss function 為 L(w) 並且是可微的，我們的目標就是找到能讓 L(w) 最小的 w* ，實際上就是尋找切線L斜率為0的 global minima 最小值發生的點(需要小心local minima 斜率也是0)
- 首先隨機選取初始值 w0
- 計算 L 在 w=w0 的微分值 dL/dw，就是該點的切線斜率
- 如果微分的值為正，就往左找；如果微分的值為負，就往右邊找解。
w的變化量step size 的大小取決於兩件事
1. 微分值有多大，如果微分值(斜率)越大表示現在在一個月陡峭的地方，那要移動的距離就越大，反之越小
2. learning rate(學習率) : η 。 每次踏出的step size 不只取決於現在的斜率，還取決於這個事前就設定好的 η (learning rate)。如果η (learning rate) 比較大，那每踏出一步的時候，參數w更新的幅度就大。
如果η (learning rate) 設置的大，機器學習的速度也會比較快，但是如果太大，可能就會跳過最合適的global minima 的點。 - 每次參數更新的大小是 η * dL/dw ，每次更新的式子如下:
當我們找到微分為0的時候，就會停止了，所以通過gredient descent 找出來的solution 其實並不是最佳解 global minima
幸運的是， 在Linear regression上，是沒有local minima的，因此可以使用gradient descent 。
- 兩個參數的問題
兩個參數的gradient descent 和一個參數的gradient descent 的步驟一樣。
- 首先設定兩個參數的初始值 w0 & b0
- 然後分別計算 ( w0，b0 ) 這個點上 L( w0，b0) 對 w 和b 的偏微分
∂L/∂w & ∂L/∂b - 更新參數，當迭代跳出時，( wi，bi ) 應為極小值點
實際上，L 的gradient 就是微積分中的那個梯度的概念，即
注意 : 兩個的η (learning rate) 必須保持一致，這樣每次更新座標的step size 是等比例縮放的，保證座標前進的方向始終和梯度下降的方向一致，否則座標前進的方向會發生偏移。
gradient descent 的缺點 :
gradient descent 有一個令人擔心的地方，就是gradient descent 找到 微分等於零的地方，只是local minima ，並不是global minima。
如果今天我們的 Loss function 是坑坑巴巴的，那麼就很難找到global minima，而我們初始值得設立，也會影響到是否能夠找到global minima。
但是在Linear regression 裡，loss function 基本上是convex 的，他是一個凸函數。所以不管初始值在哪裡，根據gradient descent都能夠找到同一組參數。
Overfitting
現在具體對L作w&b的偏微分
根據gradient descent ，我們得到 b=-188.4, w=2.7
我們需要有一套評估系統來評價我們得到的預測值與實際值得誤差，將training data的誤差相加=31.9 ， testing data 的誤差相加=35.0
training data 的誤差比 testing data 的誤差較小，也符合常識。
上圖可以發現，有些點不完全適用於我們找得function ，我們該如何重新設計model ，是否有更好的function呢?
以下嘗試不同微度的 function : 分別有二次式到五次式(圖片只放了三次式到五次式)
在gradient descent可以找到best function的前提下(多次式为Non-linear model，存在local optimal局部最佳解，gradient descent不一定能找到global minima)，function所包含的項的次數越高，越複雜，error在training data上的表現就會越來越小；但是，我们關心的不是model在 training data上的error 表現，而是model在testing data上的error表現。
可以發現在二次式&三次式 training data 和testing data 的error 越來越小，但是到了四次式&五次式時，training data的error 越來越小 ，但是testing data 的error 卻爆掉了，通常被稱為overfitting。
因此Model 不是越複雜越好，而是選擇一個最合適的model，在本例中，三次式是最適合的model。
物種Xs的影響
之前我們的model只考量了寶可夢進化前的cp值。顯然這是不對的，除了cp值外，還受到物種Xs的影響，因此我們重新設計model
並且將model 寫成一式。
HP值Xhp\height Xh\ weight Xw的影響
考量所有可能有影響的參數，設計出這個最複雜的model
算出來的training error=1.9，但是 testing data=102.3 !
這麼複雜的model 很大的機率會發生overfitting
Regularization 解決 overfitting
regularization可以使曲線變得更加smooth，training data上的error變大，但是 testing data上的error變小。
其實regularization就是重新定義step2的時候，重新redesign loss function
原來的loss function 只考慮的prediction的error；而regularization則是在原來的loss function加上了一項λ Σ(wi)² ， 這就是法這個model裡面所有的wi 的平方和用 λ 加權。(原先的Loss function是考慮 error，而λ Σ(wi)² 則是考慮smooth )
我們當然希望Loss function可以越小越好。同時，我們也期待參數wi越小 甚至接近於0，就能使function較平滑。如果我們有一個較平滑的function，那當今天我們輸入(input)有變化時，output的變化就不會太大。
也就是說，當wi 越接近0時，輸出對輸入就不會這麼敏感。
那位甚麼剛剛沒有提到bias 這項呢? bias 的大小對function的平滑程度是沒有關係的，因為調整bias只會使function上下移動而已，所以並沒有加入bias 。
如何選擇 λ 值，以取得最好的值
λ值越大，在loss function 中 考慮smooth那一項(λ Σ(wi)²) 的影響力就越大，而我們的function 就越平滑。
從下圖可知，當λ 越大時，training data 上得到的error 就會越大， 因為當λ 越大的時候，我們就越傾向於考慮w的值，而越少考慮error的大小。
但是有趣的是，雖然在training data 上得到的error越大，但是testing data 的error 可能會比較小。
下圖中，当λ从0到100變大的时候，training error不段變大，testing error反而不段變小；但是當λ太大的时候(>100)，在testing data上的error就會越來越大
我們喜歡比叫平滑的function，因為它對noise不那麼sensitive；但是我們又不喜歡太平滑的function，因為它就失去了對data擬合的能力；而function的平滑程度，就需要通過调整λ來決定。就像下圖中，當λ=100时，在testing data上的error最小，因此我们選擇 λ=100 。
