为什么说L2 每次多走的幅度是之前的 2 倍的 t时刻的Wi呢，根据公式每次多更新的幅度不应该是学习率乘以Wi吗

为什么y_test=x[80:]呀？不应该是y_test = y[80:]？

中心极限定理下，独立同分布，独立理解为：

假设一个样本跟某些其他样本有相关关系，随着样本数目的增多，这种相关关系变得非常微弱，无穷样本情况下，这种关系趋近于0，就变成了独立。

这样理解对吗，老师？

老师我想问下，因为小批量梯度下降在选择batch的时候是完全随机的。也就是说，无论如何循环，我都是每次在大的样本集里面选择随机10个样本。那这个一次循环之后再用num_batches二次循环的意义是什么呢？

老师请问%这一行是什么作用，而且我的%出现了错误

老师请问，为什么第一个更容易交在不是坐标轴的地方，第二个图更容易交在坐标轴上或者附近？

如果对L1求导，结果是-1的话，在迭代theta的时候，-ηg，这里的-1就会导致最后一项变成正向的，就达不到减小W的目的了，反而是增大W了

def greater(df,bmi,num_child):
    df['bmi']='over' if df['bmi']>bmi else 'under'
    df['children']='no' if df['children'] == num_child else 'yes'
    return df
data=data.apply(greater,axis=1,args=(30,0))

没看懂这地方的函数为啥三个参数，后面用的时候只传了两个，为啥不会报错，为啥不用传df这个参数的实际对象呢

老师请问推广能力和泛化能力具体指什么，不是很理解

老师请问这里边有编辑数学公式的功能吗，一直没有找到

import numpy as np
from sklearn.preprocessing import StandardScaler

temp = np.array([1, 2, 3, 5, 5])
temp = temp.reshape(-1, 1)
scaler = StandardScaler()
New_temp = scaler.fit(temp)
mean_temp = scaler.mean_
print(mean_temp)
var_temp = scaler.var_
print(var_temp)
StandardScaler_temp = scaler.transform(temp)
print(StandardScaler_temp)

疑问

X_new = (Xi - X_mean)/(StandarDeviation)

老师请问这个式子代表的是标准归一化吗

均值归一化就是式子里边的X_mean

方差归一化就是式子里边的StandarDeviation

然后组合起来就叫标准归一化吗

一、代码

import numpy as np

X = 2*np.random.rand(100, 1)
y = 4 + 3*X + np.random.rand(100, 1)
X_b = np.c_[np.ones((100, 1)), X]

# 参数设置
n_epochs = 10000
m = 100
leaning_rate = 0.001

# 初始化
theta = np.random.randn(2, 1)
for epoch in range(n_epochs):
    for _ in range(m):
        random_index = np.random.randint(m)   # 创建随机索引
        xi = X_b[random_index:random_index+1]
        yi = y[random_index:random_index+1]
        gradients = xi.T.dot(xi.dot(theta)-yi)
        theta = theta - leaning_rate*gradients
print(theta)

二、疑问

老师请问

每一轮次里边，框起来的for循环是不是不会循环100次

老师请问，

g_j=(hθ(x)-y)x_j

这个公式是不是有点错误呢，hθ(x)-y结果是一个m行1列的矩阵，x_{j是一个m行1列的矩阵，这两个矩阵没有办法相乘}

y_hat = W^TX

y_hat = XΘ

这两个公式代表的含义是一样的吧

W^T=(w₀,...,w_m)

Θ = (w₀,...,w_m)^T

是这样吗老师，x前边的参数有时候是β，有时候是w，有时候是θ，很容易搞混了