基本步骤

①首先准备好数据集（DataSet）

②模型的选择或者设计（Model）

③进行训练（Train）大部分模型都需要训练，有些不需要。这一步后我们会确定不同特征的权重

④推理（inferring）

1，2，3hours会有一个结果2，4，6points。这个就是训练过程，把x和y都给模型，让他自己学。5hours这个没有一个对应的y，这个就是我们的预测过程（相当于上面的题目学完了后，现在写这个题，看能不能写对）。

对应的就是下图，表格中的就是DataSet，给机器学习后，传入4hours（Input）最后得到一个预测结果Output。

数据集DataSet

当然，其实在训练表中这个4hours其实可以为testSet测试集。在训练过程中这个对应的y看不见（引用我一位师兄的话，这个其实就是小测验，最后需要我们预测的那个过程才是期末考试）。因为不能训练完就直接用，因为这个太不够准确，需要test进行测试。

所以我们通常在训练的过程中，通常不会把我们所有的DataSet全部设置为训练集，还有一部分设测试集。

接下来有一个很大的问题就是数据集，如果我们给定的数据集很片面，不够完全，我们可能在训练后出现过拟合的现象（只认识这些训练的内容），我们希望最终可以有一个比较泛化的能力，在遇到没见过的图也可以识别我们学习的内容（也就是我们学习时常说的掌握方法，举一反三）。

设计模型（Design Model）

什么是一个比较好的模型？

先用线性模型先试试，因为这个比较基本且简单。如果效果不好再换其他模型。对于我们上面表格中的几个数据，我们看出，其实比较符合线性的规则。

上面这条线是我们真实值的线。

 由于我们给的数据比较简单，但是现实是很少会出现这样的情况的。所以通常来说会线随机预测一个w（权重weight），然后通过在1，2，3hours对应的points与真实值进行对比，evaluate Model Error 。我们就把这个评估模型称为损失loss。

如果我们现在假设这个w为3，按照我们loss的公式。  分别计算出loss值，最后测得平均的loss值。

当然你也可以假设不同的w，看看哪一种的loss最小。

这个是两个可能会使用的公式。

通过计算得到这样的结果，当然通常很难算出0这个值，所以在找w的时候可以使用穷举法。也就是如下图，把在0-4之间的每个值都算一下，找到最小的loss。

但是我们无法在实数域中把所有的值都找出来，所以实现上图采用的代码如下。 

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)

运行结果为：

 画图：

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

 

但是这里需要提一下，通常我们的横坐标不是w，我们训练通常让横坐标为epoch（训练几轮）

下面这张图是昨天刚训练完的一个结果，注意在训练过程中一定要注意存盘，因为往往训练时间很长，如果出错就要重新训练，所以我们要记住定时存盘。还有要注意可视化问题，希望在训练过程中得到的结果可视化出来，让我们更好去判断结果。