- Model层： React内部实现了对应的机制，提供相应的方法可以在更改状态的同时，通知View层重新渲染，但是React并不像Vue一样，没有对状态做任何的数据劫持，而是提供对应的方法，实现状态更新视图渲染：setState修改状态同时通知视图渲染，forceUpdate通知视图强制更新
考点：
比如问： linear regression 和 linear perceptron 有什么关系？step function 如何设计的？
- 基本结构相似性：
- 两者都使用线性组合 (wx + b)
- 都是用于分类/预测的基础模型
- 关键区别：
-
输出形式不同：
- 线性回归输出连续值
- 感知机通过阶跃函数(step function)输出离散值{0,1}或{-1,1}
- 关于步函数(Step Function)的设计：
-
最简单的形式是：
- 当wx + b > 0时，输出1
- 当wx + b ≤ 0时，输出0或-1
- 训练方法：
- 线性回归通常使用梯度下降最小化均方误差
- 感知机使用感知机学习规则，在误分类点进行权重更新
解释这三种梯度下降方法以及它们与batch learning和online learning的关系：
- Batch Gradient Descent (批量梯度下降)
- 使用整个训练数据集计算梯度
- 公式：θ = θ - η·∇θJ(θ, X^(1:end))
- 这就是典型的batch learning
- 特点：
- 每次更新使用所有数据
- 计算准确但速度慢
- 内存需求大
- Stochastic Gradient Descent (随机梯度下降)
- 每次只使用一个训练样本计算梯度
- 公式：θ = θ - η·∇θJ(θ, X^(i))
- 这就是典型的online learning
- 特点：
- 每次只用一个样本更新
- 速度快，但路径嘈杂
- 内存需求小
- Mini-batch Gradient Descent (小批量梯度下降)
- 每次使用n个样本计算梯度
- 公式：θ = θ - η·∇θJ(θ, X^(i:i+n))
- 是batch和online learning的折中方案
- 特点：
- 结合了前两者的优点
- 计算效率和内存使用都适中
- 实际应用中最常用
主要区别：
- Batch：稳定但慢
- Online：快但不稳定
- Mini-batch：平衡了速度和稳定性
在实践中，mini-batch是最常用的方法，因为它能够：
- 比batch方法更快收敛
- 比online方法更稳定
- 能够利用现代硬件的矩阵运算优势
