抖音上底下的回归怎么弄(抖音上底下的回归怎么弄的)

人工智能发展到今天，已经基本确定了深度学习的核心地位，机器学习所占的空间越来越小，大部分机器学习算法已经退出主流模型的舞台，了解即可。

今天主要来看看回归算法，也是一种比较重要的机器学习算法，可以看作是深度学习的基础。

什么是回归算法

之前说过，机器学习的本质其实就是根据输入的数据判断类型或分类，也就是输出输入，对于计算机来说，其实就是一个函数。

函数是什么？数学上，函数的定义如下：设A,B都是非空的数的集合，f：x→y是从A到B的一个映射f：A→B就叫做函数,记作y=f(x)。上面这个不太严谨的定义中，表达了函数的本质，是一个映射。在机器学习中，构建一个算法模型（函数）来做属性（X）和标签（Y）之间的映射关系，这个算法就是一种回归算法。

回归必须是一种函数么？不一定，更一般的。回归就是根据特征向量来决定对应的标签值，或者解释特征向量和标签值之间关系的一种机器学习算法，这个关系可以是任何关系，不一定都可以利用函数来描述。例如决策树回归算法，也可以解释这个关系，就不是一个函数。

这里我们利用函数引出了回归算法，并给出来更加一般的回归算法的定义。

下面，我们来看看最简单也最重要的回归算法：线性回归。

线性回归

之所以说线性回归最简单，是因为它假设特征向量和标签值是线形关系，也就是利用一个简单的一次函数做映射：Y=aX+b。机器学习的过程，就是利用已知特征向量和标签。找到拟合的最好的参数a和b，也就得到了一个简单的预测模型，然后，就可以用这个模型预测新的x了，是不是很简单！

之所以说线性回归很重要，是因为它深度学习的基础，深度学习本质上，就是把线性模型在广度和深度上重复执行多次，执行的越多就越深。

那为什么要执行这么多次呢？很简单，因为现实中的大部分现实问题，都无法用一个简单的线性模型拟合。比如抖音的推荐问题，根据用户的行为数据预测用户感兴趣的视频，这个模型的特征向量成千上万，标签同样成千上万，一定不是简单的线性关系能完美拟合的。

之前解决这个问题的思路，是各路大神想各种办法。于是诞生了很多种回归算法，但没有一种算法能满足所有需求，只能说通过几年的摸索，发现在一个领域这种算法比较适合，另一个领域另一种算法比较适合。但近几年深度学习的发展，证明了在大部分领域，把简单的线性模型往宽度和深度扩展这种算法，其实是最有效的。

特别是最近ChatGPT的成功，更进一步加快了这个进程。

总结

今天简单了解了线性回归算法的思路，非常简单，但却是下一步研究深度学习的基础。

回归？如何回归？我想，既是标签到特征的回归，也是算法的回归。

复杂问题的解决，还是要靠极致简单的模型，就好比人脑，其实结构是简单的，但数量和深度足够大而深，所以突然就涌现出了智能。

越是简单的东西，往往越重要，也越值得思考。深度学习的发展，恰恰证明了，这个世界其实是简单的，把简单的东西重复到极致的深度，就自然“涌现”出了智能！

很快，人类会逐步打开人工智能的潘多拉魔盒，敬请期待！

以上就是小编带来的抖音上底下的回归怎么弄的全部内容，希望能够帮助到大家，更多抖音操作运营内容，请关注鼎品软件。