选择算法
线性回归
入门通过梯度下降算法拟合数据点，可视化展示损失函数的优化过程
K-Means聚类
入门无监督学习算法，将数据点分组到K个簇中，观察聚类中心的移动
神经网络
中级可视化神经网络的前向传播过程，观察数据如何在网络中流动
决策树
入门观察决策树如何递归分割数据进行分类，理解树形结构的决策过程
梯度下降
中级可视化梯度下降优化算法，观察如何沿梯度方向找到函数最小值
SVM
中级支持向量机寻找最大间隔超平面，可视化支持向量的作用
卷积神经网络
高级CNN通过卷积层和池化层提取图像特征，实现图像分类
K近邻算法
入门基于距离的分类算法，通过K个最近邻居投票决定类别
← 左右滑动查看全部算法 →
线性回归 - 梯度下降
通过梯度下降算法优化线性模型，观察拟合线如何逐步接近数据点的趋势
迭代次数
0/100
斜率 (m)
0.000
损失值
0.00
0.5x1x1.5x2x
参数设置
当前模型
y = 0.00x + 0.00
💡 提示：
- 学习率越大，收敛越快，但可能不稳定
- 观察损失值如何随迭代次数下降
- 红色线是拟合结果