一、上周工作
机器学习，同时思考实验如何修改
二、本周计划
整理代码、设计损失函数并实验、安装LaTeX、
三、完成情况
3.1 整理代码
之前在工作站上跑的 在aba基础上改的
本周重新整理并编写了代码
3.2 机器学习
3.2.1 梯度下降的实现
需要找到合适的w，b对logistics回归模型参数的拟合，仍使用梯度下降来实现
和线性回归一样，可以对logistics的梯度下降进行学习率的检测、向量化的实现以及进行特征缩放等等。
3.2.2 过拟合
过拟合 （overfitting）简单来说是训练集上表现的很好，测试集上较差。
解决过拟合的方法：
- 第一个方法是去收集更多的数据
- 第二个方法是选择合适的特征，而不是选择过多的特征。特别是当数据量不够时，该方法可能会丢失一些有用信息
- 最后一种方法是正则化，可以减小一些参数的大小，这些参数对应的特征一般对整体影响较大。例如下面的右图，x的幂越高，就让其对应的参数变小。
3.2.3 正则化
正则化：让参数有更小的值，使其不容易发生过拟合。
但大多数我们不知道应该减小哪些特征对应的参数，这时候就可以对所有的参数进行处理。
一般只需要正则化参数进行处理，而无需对b。
对于正则化参数的选择，一个极端是设置其值为0，但失去了意义，另一个极端是选择其极大值，此时，由于需要保证成本函数取最低值，就需要保证
的所有值都非常接近0。
如下图，如果取0，就会过拟合，但若
取很大，会使最后的曲线接近f(x)=b。
正则化线性回归：
正则化logistics回归：
3.3 安装LaTex
texlive、texstudio的下载与安装
3.4 设计损失函数
等工作站空了跑实验 验证所设计的联合损失函数
调整权重
两个损失函数的结合
四、存在的主要问题
1.整理代码时遇到IndexError: index 10 is out of bounds for axis 0 with size 10
------通常是由于尝试访问一个空数组或矩阵的超出范围索引导致的。debug：检查数组的形状和大小，确保非空。数据加载处的代码有误，已修改。
2.整理代码时总是在dataset文件下面再次生成train_result、test_result两个文件夹
------因为根目录的原因。在PathConfig出修改成绝对路径。
五、下一步计划
跑实验
准备开始论文编写，再次学习师兄师姐的论文框架