• Gradient Descent – one weight with Bias

上篇的說明當 b=0 時該如何校正w的, 其實基本上大同小異，都是用相同的方式去校正w

當 b!=0 的時候公式會多個b在算距離的時候先做加減：

一樣對E(w,b)作偏微分，只需要注意不要微錯就好：

梯度訓練公式：

• Gradient Descent – more weight with Bias

多個屬性的梯度下降跟單個屬性差不多，雖然看起來突然複雜了一點，過程跟流程都跟上面的步驟一致。

假設有M個屬性：
一樣對E(w1,w2,w3,...wM,b)作偏微分：

多屬性的訓練公式：

• Gradient Descent Algorithm的補充

同時被稱為：

• Delta rule
• ADALINE rule
• Widrow-Hoff rule

在回歸問題時可擁有無限輸出量的值，在分類問題時可以輸出有限的值。
Regression: with numeric output label(s) >> an infinite number of values
Classification: with nominal output label(s) >> a finite number of values