机器学习爱好者必读的入门指南

将每个初始权重设置为1.0：

def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood):  
      price = 0  
      # a little pinch of this  
      price += num_of_bedrooms * 1.0  
      # and a big pinch of that  
      price += sqft * 1.0  
      # maybe a handful of this  
      price += neighborhood * 1.0  
      # and finally, just a little extra salt for good measure  
      price += 1.0  
      return price 

第2步：

通过函数运行你所知道的每一栋房子，看看这个函数离预测到每一套房子的正确价格有多远：

使用你的函数为每套房子预测价格

例如，如果第一套房子实际上卖了 25 万美元，但你的函数预测它卖了 17.8 万美元，那么这套房子的售价就少了 7.2 万美元。

现在把你的数据集里每套房子的售价差额平方相加，假设你的数据集中有 500 套房子的销售数据，你的函数计算的每套房子售价差额的平方的总和是 86,123,373 美元。这就是当前函数的“错误”程度。

现在，把总和除以 500，得到每套房子的平均差价。将这个平均错误量称为函数的成本（cost）。

如果你能通过调整权值使这个成本为零，你的函数就完美了。这意味着，在每种情况下，你的函数都能够根据输入的数据完美地猜测房屋的价格。这就是我们的目标：通过尝试不同的权重值使成本尽可能低。

第3步：

对每一个可能的权重组合重复第2步。最后选择使成本最接近于零的权重组合。当你找到合适的权重时，问题就解决了！

头脑风暴时间

很简单，对吧？回想一下你刚才都做了什么。你取了一些数据，通过三个通用的、非常简单的步骤输入数据，最后得到一个可以预测你所在地区的任何房子的价格的函数。

但还有一些事实会让你大吃一惊：

（编辑：广州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!