###### tags: `MLCC`
# Descending into ML
## Linear Regression 線性回歸
1. 首先找定一個 feature ，再定要觀察的目標(Label)，標出 feature & label 的關係
2. 找到一條線 `y = m·x + b`，使每一個點(feature & label 畫出的點)和線的垂直距離加總最小的線
3. 套用到 model 的線性回歸公式為 `y' = b + w1·x1`
- w - 權重
- b - bias，y截距
- x - feature值
- y - label值
> 多特徵的線性回歸公式
> `y' = b + w1·x1 + w2·x2 + ... + wn·xn`

## Training and Loss 訓練與損失
- 訓練一個模型就是找出公式最好的 weight 和 bias
### Loss 損失
- 對預測不好的結果進行**懲罰**
- 正確預測 - loss=0 ; 錯誤預測 - 依錯誤程度扣分D
- Empirical Risk Minimization 經驗風險最小化: 監督式學習中，幫助找出 Loss 最小的 model 的方法
### Squared Loss 誤差差平方
- 

### Mean Square Error (MSE) 平均誤差
- 其實就是每一個點和線的平均垂直距離差
- (x,y) - (feature,label)
- D - 所有資料
- N - 資料個數 (D.count)