模型步骤
step1：模型假设，选择模型框架（线性模型）
step2：模型评估，如何判断众多模型的好坏（损失函数）
step3：模型优化，如何筛选最优的模型（梯度下降）
step1：模型假设
一元线性模型：y=b+w*x
多元线性模型：
通过这张图片我们可以看出CP值的确定与weight,height,hp,type都有关，所以这里就可以写成一个多元线性模型，即y=b +∑（wi *xi）
其中xi是各种特征，wi是各种特征的权重，b是偏移量。
step2：模型评估
损失函数 Loss function：
step3：模型优化
如果是线性模型梯度下降求得最佳模型无疑是最好的方法，因为梯度下降仅会在可能出现极小值时受，或者如上面那个地图状的图形的马鞍状时才会受到阻挠，而线性模型刚好契合梯度下降。
如何验证训练好的模型的好坏
这里判断训练模型的好坏只需判断误差的平均值即可。
*优化
1.这里我们会发现种类对于CP值的增长是不对等的，所以这里我们首先可以考虑用激活函数将种类考虑进来，即：
这里的&的值为0或1，如果xs是这个种类那就是1，其余都是0，这样就可以将种类考虑进来，是模型优化
2.其次，我们还可以考虑正则化：
这里的wi越小，图像就越”丝滑“，对于xi的变化就越不敏感。
这里我们可以看出，当x变化了一个Δx，可以将Δx加入括号中，此时wi如果越小，那xi的改变自然对L的影响越小，即越”丝滑“。
这里我们发现随着λ的增大,training的平均误差逐渐增大，这里是可以解释的，因为随着λ的增大，wi逐渐敏感，即wi的值会显著影响L的变化，于是wi会逐渐减小，相应xi的变化对L的影响也逐渐减小，但λ毕竟逐渐增大，所以L也是逐渐增大的。
而testing的平均误差先减小后增大，随着λ的增大，xi的变化对L的影响变小，自然test的结果也会越来越好，但是并不是越平滑越好，你想哈，如果最后平滑成一条水平线了，那不就适得其反了嘛，所以我们要不断调整λ的值，以求寻得最好的效果。
