《深度学习详解》第一章机器学习基础

最新推荐文章于 2024-11-04 18:23:08 发布

Farah_Y

最新推荐文章于 2024-11-04 18:23:08 发布

阅读量611

点赞数 9

文章标签：深度学习机器学习人工智能

本文链接：https://blog.csdn.net/Farah_Y/article/details/141613812

版权

什么是机器学习

机器学习是让机器具备找一个函数的能力

这个函数就是指模型或者算法，直接将输入转化成我们想要的输出。

机器学习有不同的类别，假设要找的函数的输出是一个数值，一个标量，这种任务称为回归。

回归——预测任务。

除了回归之外，另一个常见的任务是分类，分类任务要让机器做选择题。人类先准备好一些选项，这些选项称为类别，现在要找的函数的输出就是从设定好的选项中选择一个当作输出，这个任务就是分类。

分类包括二分类和多分类。

还有结构化学习。机器不只是要做选择题或者输出一个数字，而是产生一个有结构的物体，比如画一幅图，或者写一篇文章，这种叫机器产生有结构的东西的问题称为结构化学习。

生成任务。

案例学习

任务：视频的点击次数预测。找一个函数，该函数的输入是后台的信息，输出是隔天这个频道会有的总观看的次数。

机器学习找函数的过程分为三个步骤。第一步是写出一个带有位置参数的函数f，其能预测未来观看次数：如

y = b + w x1

y 是准备要预测的东西，要预测的是今天（2 月 26 日）这个频道总共观看的人，y 就假设是今天总共的观看次数。x1 是这个频道，前一天（2 月 25 日）总共的观看次数，y 跟 x1 都是数值，b 跟 w 是未知的参数，它是准备要通过数据去找出来的，w 跟 b 是未知的，只是隐约地猜测。猜测往往来自于对这个问题本质上的了解，即领域知识（domain knowledge）。机器学习就需要一些领域知识。这是一个猜测，也许今天的观看次数，总是会跟昨天的观看次数有点关联，所以把昨天的观看次数，乘上一个数值，但是总是不会一模一样，所以再加上一个 b 做修正，当作是对于 2 月 26 日，观看次数的预测，这是一个猜测，它不一定是对的，等一下回头会再来修正这个猜测。总之，y = b + w ∗ x1，而 b 跟 w 是未知的。带有未知的参数（parameter）的函数称为模型（model）。模型在机器学习里面，就是一个带有未知的参数的函数，特征（feature） x1 是这个函数里面已知的，它是来自于后台的信息，2 月 25 日点击的总次数是已知的，而 w 跟 b 是未知的参数。w 称为权重（weight），b 称为偏置（bias）。

第二个步骤是定义损失。损失也是一个函数，这个函数的输入是模型里的未知参数b和w，损失是函数L(b,w)，其输入是模型参数b和w。损失函数输出的值代表，现在如果把这一组未知的参数，设定某一个数值的时候，这笔数值好还是不好。

损失函数是用参数预测出的值和真实值做对比，来调整参数。

真实的值称为标签。

比如可以将每一天预测的误差取平均，就得到了损失。L越小越好，说明预测值和真实值越接近。

平均绝对误差MAE：计算绝对值之间的差距

均方误差MSE：计算平方之间的差距

有一些任务中，预测和标签都是概率分布，这个时候可能会选择交叉熵。

可以调整不同的 w 和不同的 b，求取各种w 和各种 b，组合起来以后，我们可以为不同的 w 跟 b 的组合，都去计算它的损失，就可以画出图 1.2 所示的等高线图。在这个等高线图上面，越偏红色系，代表计算出来的损失越大，就代表这一组 w 跟 b 越差。如果越偏蓝色系，就代表损失越小，就代表这一组 w 跟 b 越好，拿这一组 w 跟 b，放到函数里面，预测会越精准。