机器学习
学习就是循环
ML 模型是 受过训练 经过循环 多次传输数据。
对于每次迭代， 权重值 已调整。
当迭代未能达到以下要求时，训练完成 降低成本.
训练我找到最佳拟合线：
梯度下降
梯度下降 是一种解决人工智能问题的流行算法。
一个简单的 线性回归模型 可用于演示梯度下降。
线性回归的目标是将线性图拟合到一组 (x,y) 点。这可以用数学公式来解决。但 机器学习算法 也可以解决这个问题。
这就是上面的例子所起的作用。
它以散点图和线性模型（y = wx + b）开始。
然后，它会训练模型找到一条适合该图的线。这是通过改变线的权重（斜率）和偏差（截距）来实现的。
下面是 训练师对象 可以解决这个问题（以及许多其他问题）。
训练师对象
创建一个 Trainer 对象，它可以在两个数组 (xArr,yArr) 中获取任意数量的 (x,y) 值。
将权重和偏差都设置为零。
必须设置一个学习常数（learnc），并且必须定义一个成本变量：
例子
函数训练器（xArray，yArray）{
这个.xArr = xArray;
这个.yArr = yArray;
这个.points = 这个.xArr.长度;
这个.学习c = 0.00001;
这个.重量=0；
这个.偏见=1；
这个.成本；
成本函数
解决回归问题的标准方法是使用“成本函数”来衡量解决方案的优劣。
该函数使用模型中的权重和偏差（y = wx + b），并根据线与图的拟合程度返回错误。
计算此误差的方法是循环遍历图中的所有 (x,y) 点，并计算每个点的 y 值与线之间的平方距离之和。
最传统的方法是将距离平方（以确保正值）并使误差函数可微。
this.costError = 函数（）{
总计=0；
对于（让 i = 0; i < this.points; i++）{
总计 += （this.yArr[i] - （this.weight * this.xArr[i] + this.bias））**2；
}
返回总数/this.points；
}
另一个名字 成本函数 是误差函数.
该函数中使用的公式实际上是这样的：
- 埃 是错误（成本）
- 否 是观测值（点）的总数
- 是 是每个观察的值（标签）
- X 是每个观测值（特征）
- 米 是斜率（权重）
- b 是截距（偏差）
- MX + B 是预测
- 1/N * N∑1 是平方平均值
训练函数
我们现在将进行梯度下降。
梯度下降算法应该使成本函数趋向于最佳直线。
每次迭代都应将 m 和 b 更新为具有较低成本（误差）的线。
为此，我们添加了一个多次循环遍历所有数据的训练函数：
this.train = 函数（iter）{
对于（设 i = 0；i < iter；i++）{
这个.更新权重（）；
}
这个.成本 = 这个.成本错误();
}
更新权重函数
上面的训练函数应该在每次迭代中更新权重和偏差。
使用两个偏导数来计算移动的方向：
this.updateWeights = 函数（）{
让 wx；
让 w_deriv = 0;
让 b_deriv = 0;
对于（让 i = 0; i < this.points; i++）{
wx = 这个.yArr[i] - (这个.weight * 这个.xArr[i] + 这个.bias);
w_deriv += -2 * wx * this.xArr[i];
b_deriv += -2 * wx;
}
这个.重量-=（w_deriv / 这个.points）*这个.learnc；
这个.偏差-=（b_deriv/这个.points）*这个.learnc；
}
创建自己的图书馆
图书馆代码
函数训练器（xArray，yArray）{
这个.xArr = xArray;
这个.yArr = yArray;
这个.points = 这个.xArr.长度;
这个.学习c = 0.000001;
这个.重量=0；
这个.偏见=1；
这个.成本；
// 成本函数
this.costError = 函数（）{
总计=0；
对于（让 i = 0; i < this.points; i++）{
总计 += （this.yArr[i] - （this.weight * this.xArr[i] + this.bias））**2；
}
返回总数/this.points；
}
// 训练函数
this.train = 函数（iter）{
对于（设 i = 0；i < iter；i++）{
这个.更新权重（）；
}
这个.成本 = 这个.成本错误();
}
// 更新权重函数
this.updateWeights = 函数（）{
让 wx；
让 w_deriv = 0;
让 b_deriv = 0;
对于（让 i = 0; i < this.points; i++）{
wx = 这个.yArr[i] - (这个.weight * 这个.xArr[i] + 这个.bias);
w_deriv += -2 * wx * this.xArr[i];
b_deriv += -2 * wx;
}
这个.重量-=（w_deriv / 这个.points）*这个.learnc；
这个.偏差-=（b_deriv/这个.points）*这个.learnc；
}
} // 结束训练器对象
现在您可以将该库包含在 HTML 中：
<script src="myailib.js"></script>
