监督式机器学习的基本术语

关于机器学习系统：通过学习如何组合输入西悉尼，来对未见过的数据做出有用的预测。

下面来学习一些常用术语。以一个简单的线性回归为例。由于概念比较多，所以大部分是慕课上PPT的截图，以备后续复习使用。

监督式机器学习

1、标签和特征

标签：是我们要预测的真实事物
线性回归中的y变量

特征：是指用于描述数据的输入变量
线性回归中的{x1, x2, x3,…,xn}变量

2、样本和模型

样本是指数据的特定实例：x

• 有标签样本具有{特征，标签}：{x，y}
  用于训练模型
• 无标签样本具有{特征，？}：{x，?}
  用于对新数据做出预测

模型可将样本映射到预测标签：y’
由模型的内部参数定义，这些内部参数值是通过学习得到的。

3、训练

（1）训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值
（2）在监督式学习中，机器学习算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度地减少损失的模型。
这一过程称为经验风险最小化。

4、损失

损失是对糟糕预测的惩罚：损失是一个数值，表示对于单个样本而言模型，也是预测的准确程度，如果模型的预测完全准确，则损失为零，否则损失会较大。训练模型的目标是从所有样本中找到一组**平均损失“较小”**的权重和偏差。

模型训练与降低损失

1、模型训练要点

2、收敛

3、计算损失例子

梯度下降法

学习率